利用多光谱卫星影像和类别模糊指数改善深度主动学习在洪水淹没地图中的可解释性
我们提出了一种可解释的多阶段洪水检测方法，将动态时间序列图像序列分析与静态语义分割相结合，通过四个阶段解决洪水检测问题，提供了高效准确的解决方案，并且可以提供决策过程的见解。
May, 2024
本文介绍一种结合卫星图像数据和深度学习模型的方法，来预测氾水面积。该方法在孟加拉国的历史氾水数据中进行测试，结果表明该方法比传统算法（如 CNN 和阈值算法）效果更好。
May, 2023
提出了一种新颖的基于空间知识的分层学习（SKI-HL）框架，该框架采用多分辨率层次结构迭代地推断样本标签，并在具有不确定性感知的多实例学习中训练神经网络参数。实验证明，该模型在真实世界的洪水图像数据集上优于几种基准方法。
Dec, 2023
本篇研究针对全球最昂贵的自然灾害类型 —— 洪水灾害进行监测，使用深度学习技术进行高分辨率遥感图像中的洪水辨识，效果优于现有技术，评价指标 Jaccard Index 提升了 1 至 4 个百分点。
Nov, 2017
本文提出了一种基于加权递增字典学习的主动学习算法，该算法选择能够最大化代表性和不确定性两个选择标准的训练样本，通过在每次迭代中主动选择训练样本来高效地训练深度网络，然后将所提出的算法应用于高光谱图像的分类，并与其他应用主动学习的分类算法进行比较，结果表明所提出的算法在分类高光谱图像时既高效又有效。
Nov, 2016
本研究使用深度卷积网络分析水淹交通标志的众包图片，确定洪水深度，实现低成本、准确和实时洪水风险地图制作。测试表明，该模型的平均绝对误差为 6.978 英寸，与先前研究相当，从而证明了该方法的适用性。
Sep, 2022
本文提出了一种高分辨率无人机图像数据集 FloodNet，用于帮助解决自然灾害后的损害评估问题，数据集提出了 “洪水下的损害” 这个问题，并对其进行了像素级的语义分割标注，提出一些深度学习算法用于解决这些挑战，并比较了该数据集上多个图像任务算法的性能表现。
Dec, 2020
本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。
Nov, 2017
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
本研究介绍了 DeepAqua，这是一个自我监督的深度学习模型，通过知识蒸馏来消除训练阶段中手动注释的需求，并利用归一化差异水体指数 (NDWI) 作为教师模型，训练卷积神经网络 (CNN) 从合成孔径雷达 (SAR) 图像中分割水域。该方法实现了有效地训练语义分割模型而无需手动注释数据，为监测湿地水域范围变化提供了实用的解决方案，无需地面真实数据，因此具有高度的适应性和可扩展性，可以应用于湿地保护工作。
May, 2023