Feb, 2024

使用过时产品和变压器进行交叉分辨率土地覆盖分类

PDF
TL;DR提出基于 Transformer 的弱监督方法，用于跨分辨率土地覆盖分类，解决了高分辨率标注数据缺乏的问题，并利用过时数据进行实验，结果证明该方法优于现有方法。
large-scale high-resolution land cover classificationtransformer-based weakly supervised methodcross-resolution land cover classificationoutdated dataanti-noise loss calculation
发现论文，激发创造
  • 土地覆盖图像分类

    这篇论文通过比较卷积神经网络和基于 transformer 的方法，探讨了在土地覆盖分类分析领域中，使用深度学习模型提高准确性和效率的最新进展。作者通过使用基于 Sentinel-2 卫星图像的 EuroSAT 数据集，证明了当前 transformer 模型在该领域取得了最先进的结果。

    Jan, 2024

  • 无准确指导的学习：从低分辨率的历史标签更新大规模高分辨率土地覆盖地图

    我们提出了一种高效的弱监督框架 Paraformer（即 L2HNet V2），用于通过低分辨率的历史地表覆盖数据指导大规模高分辨率土地覆盖图绘制。Paraformer 采用平行的 CNN-Transformer 特征提取器，同时捕捉局部和全局上下文信息，并采用伪标签辅助训练模块对弱监督情景下的高分辨率图像进行语义分割。实验证明 Paraformer 在 LR 历史标签的自动更新高分辨率土地覆盖图方面优于其他最先进的方法。

    Mar, 2024

  • AutoLC: 遥感影像地表覆盖分类的轻量、高性能架构搜索

    本文提出了一种名为 AutoLC 的方法，它将手动设计的 CNN 和自动设计的 CNN 的优点相结合，采用分层搜索空间和轻量级编码器策略，成功地解决了高分辨率遥感图像的土地覆盖分类问题，并在实验中取得了比其他方法更好的效果。

    May, 2022

  • 使用可转移深度模型进行高分辨率遥感影像土地覆盖分类

    本文提出了一种利用深度神经网络对高分辨率遥感图像进行无监督地物分类的方案，通过未标记遥感图像进行伪标注和样本选择来提高模型的转移性，并通过细化预先训练好的模型，组合分块分类和分层分割实现像素级地物分类。

    Jul, 2018

  • 利用卷积神经网络在全球范围内进行城市区域的高分辨率土地覆盖制图

    从高分辨率图像和有限的带噪声标记数据中生成城市区域的七类土地覆盖图的方法，使用 UNet、Resnet 编码器的 UNet 和 Deeplab v3 + 编码器，结合不同的损失函数进行比较研究，并将模型预测拼接在一起生成高价值的土地覆盖图。

    May, 2020

  • 利用配对的 OpenStreetMap 数据和光学高分辨率影像通过对象引导的 Transformer 进行土地覆盖变化检测

    使用光学高分辨率图像和 OpenStreetMap（OSM）数据进行土地覆盖变化检测，引入目标引导的 Transformer（ObjFormer）架构，结合目标基于图像分析（OBIA）技术和先进的视觉 Transformer 架构，实现了直接检测土地覆盖变化，并提出了一种新的半监督语义变化检测任务，能高效地完成此任务。

    Oct, 2023

  • 遥感图像土地覆盖分类的长程相关监督

    在这篇论文中，我们提出了一种名为 SLCNet 的新型受监督的长程关联方法，用于土地覆盖分类，该方法在地物遥感图像上的表现优于当前使用的非监督策略。在 SLCNet 中，我们通过使用地面真实语义分割图中的类别一致性信息进行监督，使属于同一类别的像素高度相关而具有不同类别的像素不相关，从而产生了更一致的重校准特征，无论它们的接近程度如何。为了补充全局长程关联中缺少的详细信息，我们在编码器中引入了一个辅助的自适应感受野特征提取模块，用于捕捉多尺度遥感图像中多尺寸目标的精细特征表示。此外，我们采用了多尺度边输出监督和混合损失函数作为局部和全局约束，进一步提高了分割准确性。实验证明，与计算机视觉、医学和遥感领域的先进分割方法相比，SLCNet 在所有数据集上都实现了最先进的性能。

    Sep, 2023

  • 全球高分辨率土地覆盖图的弱监督方法

    利用弱监督领域自适应方法，基于原型伪标签修正和扩展，实现高分类分辨率土地覆盖图，并在不同地区的 10 个城市中实现跨传感器、跨类别和跨大陆的地形适应，总体精度超过 80%。

    Jun, 2024

  • TransY-Net：用于遥感图像变化检测的全 Transformer 网络学习

    本研究提出了一种名为 TransY-Net 的新型变化检测学习框架，通过全局视图改善特征提取，以金字塔方式结合多级视觉特征，利用 Transformer 进行长程依赖建模并使用深度监督学习，获得了优于其他方法的性能。

    Oct, 2023

  • 利用深度学习技术进行土地利用和土地覆盖分类

    通过使用深度卷积神经网络分类空间分辨率非常高（VHR）、正射成像的可见光多光谱图像，本论文探索了自动土地利用 / 土地覆盖（LULC）分类的潜力

    May, 2019