Apr, 2024

亚马逊森林破坏检测任务的卫星频带选择框架

PDF
TL;DR该研究引入了一种新颖的框架，利用 Univariate Marginal Distribution Algorithm（UMDA）从 Landsat-8 卫星中选择光谱波段，优化破坏森林地区的表示。这种选择指导了语义分割架构 DeepLabv3+，提高了其性能。实验结果表明，与常用组合相比，几种波段组合在破坏森林检测中实现了较高的平衡准确度，通过支持向量机（SVM）进行分割分类。此外，UMDA 方法确定的最佳波段组合提高了 DeepLabv3 + 架构的性能，超过了本研究中比较的最先进方法。选择少数波段胜过全部波段的观察结果与深度学习领域普遍存在的数据驱动范式相矛盾。因此，这表明了对 “越多越好” 传统观念的例外。
tropical forestsdeforestationforest monitoringspectral bandsdeeplabv3+
发现论文，激发创造
  • 基于 UMDA 的 Landsat-8 波段选取框架用于森林砍伐检测

    该论文提出了一种采用 UMDA 算法选择 Landsat-8 的光谱波段，并通过 DeepLabv3 + 进行语义分割的新框架，用于监测热带森林的破坏。实验结果表明，使用 UMDA 算法选择的最佳组合 (651) 在分割分类任务中获得超过 90％的平衡准确性，效率和有效性优于其他组合。

    Nov, 2023

  • 利用卫星图像进行深度多模式学习的快速森林砍伐和烧毁区域检测

    利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

    Jul, 2023

  • 2023 年 MultiEarth 森林砍伐挑战 ——FOREVER 团队

    通过多视角学习策略、最新的深度神经网络模型和多模态数据集，采用全面的数据增强和多样化网络方法，能够有效而准确地预测亚马逊雨林地区的森林砍伐情况。

    Jun, 2023

  • 遥感图像的多标签分类

    本研究旨在通过运用不同的机器学习和深度学习模型将亚马逊雨林的卫星图像碎片进行分类和标记，并通过 F2 度量来评估分类器的准确性和损失函数。经过预训练的 ImageNet 体系结构用于提取特征，最终实现了 0.927 的最佳 F2 得分。

    Jan, 2022

  • 基于 Sentinel-2 多光谱影像的高效树冠覆盖估计特征选择

    本文利用多光谱随机森林分类器结合适宜的特征选择算法和掩模技术，在城市地区估计树木覆盖率，结果显示在拉合尔管理科学学院的 82 英亩区域内，该方法优于传统的随机森林分类器和 ESA WorldCover 10m 2020 等最新技术。

    May, 2023

  • MultiEarth 2022 森林砍伐挑战 --ForestGump

    利用卫星图像和深度神经网络结合的方法，通过对 Sentinel-1，Sentinel-2 和 Landsat 8 的数据进行精细处理，成功地对亚马逊森林地区的砍伐情况进行了高准确度的估算。

    Jun, 2022

  • CVPR 2023 亚马逊地区森林砍伐估计挑战赛：SpaceVision4Amazon

    基于光学和合成孔径雷达卫星影像，我们提出了一种基于注意力引导的 UNet 架构的森林砍伐估计方法，通过训练和验证模型，得出了 93.45% 的像素准确率和 0.79 的 F1 分数与 0.69 的 IoU。

    Jul, 2023

  • 结合循环和剩余学习的多时相 SAR 图像监测森林破坏

    通过利用合成孔径雷达（SAR）多时相数据来监测巴西雨林中的森林砍伐，并提出了三种增强森林砍伐检测准确性的深度学习模型，其中 RRCNN-1 具有最高准确性和最短处理时间。

    Oct, 2023

  • 航空语义分割和深度估计的森林巡查数据集

    通过使用 UAV 监测森林环境的变化，本研究介绍了一个新的大型航拍数据集，用于森林巡视任务，该数据集包含了真实和虚拟记录的自然环境，密集标注的语义分割标签和深度图，并研究了不同采集条件下多尺度神经网络的性能以及从虚拟数据到真实数据的迁移学习能力，结果表明，最佳结果来自于包含多种情景的数据集，而非将数据按特定类别分离。还开发了一个评估地区森林破坏程度的框架。

    Mar, 2024

  • 多星时序图像中人工林识别数据集

    通过多模态数据和数据增强方法，利用卫星遥感技术实现全球范围内的森林监测，以保护和恢复森林生态系统，对生物多样性保护和碳封存至关重要。

    May, 2024