Apr, 2024

FAD-SAR：基于深度学习方法的合成孔径雷达图像鱼类活动检测系统

PDF
TL;DR使用基于深度学习的系统和物体检测模型，通过合成孔径雷达技术在检测非法、未报告和无监管捕鱼活动方面取得了显著的改善。
iuu fishingsynthetic aperture radardeep learning-based systemobject detection modelsonline hard example mining
发现论文，激发创造
  • 利用卷积神经网络从 Sentinel-1 数据进行自动化海洋船舶监测

    通过引入小波变换卷积神经网络方法，利用 Sentinel-1 SAR-C 双极化数据获取了印度西部沿海区域海洋监视和海事监测中的船舶检测，并获得了 95.46% 的检测准确率，进而实现了对海洋船舶的自动监测和外来船只的识别。

    Apr, 2023

  • 卫星影像与人工智能：从研究到部署和影响的海洋保护新时代

    通过利用卫星数据和机器学习模型，本论文设计了专门针对合成孔径雷达（Sentinel-1）、光学影像（Sentinel-2）和夜间灯光（Suomi-NPP/NOAA-20）的计算机视觉模型，旨在实时监测海上活动，并为全球用户提供免费的实时海洋保护服务。

    Dec, 2023

  • 利用同时多光谱和合成孔径雷达图像进行海冰检测

    该研究提出了一种新的工具 ViSual_IceD，它使用并行编码器级别，将多光谱图像和合成孔径雷达 (SAR) 图像进行融合和连接，以实现极地区域可靠准确的海冰覆盖检测。

    Jan, 2024

  • 非可见光数据综合应用研究：合成孔径雷达成像案例研究

    通过研究大规模预训练图像生成模型在非可见光领域的应用，特别以合成孔径雷达（SAR）数据为案例研究，提出了一种 2 阶段低秩自适应方法（2LoRA）和改良版本原型 LoRA（pLoRA），以生成 SAR 数据并在 SAR 分类和分割模型的训练过程中取得显著的改进效果。

    Nov, 2023

  • 海洋计算机视觉应用的图像与 AIS 数据融合技术

    通过融合自动识别系统（AIS）数据和图像中检测到的船舶，我们提出了一种方法用于创建数据集，用于识别船只、姿态估计和自动标注管道。

    Dec, 2023

  • SAR-Net: 多尺度定向感合成孔径雷达网络

    SAR-Net 是一个专门设计用于合成孔径雷达 (SAR) 目标检测中全局融合方向感知信息的创新框架，通过 Unity 补偿机制 (UCM) 和方向感知注意模块 (DAM) 实现了全局信息融合和消除背景干扰的功能。通过在飞机和船只数据集上进行实验，验证了 SAR-Net 在目标检测领域取得了最先进的结果，证实了其泛化能力和鲁棒性。

    Dec, 2023

  • DAM-Net: 基于差分注意力度量的视觉 Transformer 技术在 SAR 图像中全球洪涝检测

    本文提出一种新的基于差分注意力度量的网络 --DAM-Net，用于检测洪水区域。DAM-Net 包括两个关键组件：一个共享权重的双子背骨结构，用于获得多时相图像的多尺度变化特征和具有高级语义信息的表示水体变化的令牌，以及一个融合语义令牌和变化特征的时态差分融合模块，以生成减少斑点噪声的洪水地图。通过在提出的 S1GFloods 数据集上进行实验，证明 DAM-Net 相比当前最先进的方法在总体精度、F1 分数和 IoU 三个指标上都有明显提升。

    Jun, 2023

  • 基于图的 SAR 数据半监督分类主动学习

    使用基于图的学习和神经网络方法的结合体进行 SAR 数据分类，该方法可以在无需标记数据的情况下实现费用效益高的主动学习，并在需要 ATR 的应用中显示良好的推广性能。

    Mar, 2022

  • UrbanSARFloods: 用于城市和开放区域洪水制图的基于 Sentinel-1 SLC 的基准数据集

    通过介绍 UrbanSARFloods 数据集，研究考察了卫星合成孔径雷达在大规模洪水测绘方面的局限性，发现目前的方法无法克服数据不平衡和小型训练数据集的限制，探索了解决不平衡数据挑战和利用迁移学习进行基于合成孔径雷达的大规模洪水测绘的潜力，为深化洪水测绘技术的应用做出贡献。

    Jun, 2024

  • SAFE：基于自监督学习和掩蔽孪生 ViTs 的 SAR 特征提取器

    基于遮掩的孪生视觉变压器提取器 (SAFE) 是一种新颖的自监督学习框架，通过对未标记的合成孔径雷达影像数据进行对比学习，提取稳健且具有普适性的特征。SAFE 可用于多种合成孔径雷达采集模式和分辨率下，具有针对合成孔径雷达影像的数据增强技术，如亚孔径分解和去斑点处理。对少样本分类、分割、可视化和模式检测等多种下游任务的全面评估表明，所提出的方法的有效性和多功能性。即使在未经使用的传感器上进行评估，我们的网络在少样本分类和分割任务上与或胜过其他先进方法。

    Jun, 2024