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

该研究使用深度学习语义分割方法，在多光谱、高光谱和高空间分辨率的航拍图像数据集上进行了土地覆盖分类，其中 LinkNet 模型在所有数据集中获得了高 IoU 准确率 0.92，评估结果显示多光谱图像在 IoU 和 F1 得分上表现更佳，展示了 LinkNet 和多光谱图像在土地覆盖分类上的高效性和广泛适用性。

Jun, 2024

对云的分割从遥感图像进行了七种切割和检测算法的基准分析，评估了其架构方法，并确定了最佳性能。评估了模型在使用少量光谱波段进行云图分割时的灵活性。使用 Sentinel-2 和 Landsat-8 作为数据集进行了实验验证。

Feb, 2024

卫星通过边缘推理越来越多地采用机载人工智能技术来提高平台的自主性。本研究通过训练 16 种不同模型来实现高分辨率卫星图像的多类别分割，该研究提供了这些模型的代码并对其进行了综合评估，同时介绍了基于海洋、陆地和云覆盖分类的海洋 - 陆地 - 云覆盖分割应用场景。我们得出的结论是我们轻量级的深度学习模型（称为 1D-Justo-LiuNet）在海洋 - 陆地 - 云碧书分割方面的性能（0.93 准确率）和参数数量（4,563 个）方面始终优于现有的 U-Net 及其变体，然而 1D 模型在测试处理架构中表现出的推理时间较长（15 秒），这是明显不太理想的。此外，我们还证明了轨道内图像分割应该在 L1b 辐射计校准之后进行，而不是在原始数据上进行，并额外显示将光谱通道减少到 3 会降低模型的参数数量和推理时间，但牺牲了分割性能。

Oct, 2023

通过研究多光谱深度学习模型的各种融合方法，我们评估了这些模型对不同输入波段的相对依赖性以及对影响一个或多个输入通道的自然图像损坏的稳健性。

Sep, 2023

本研究旨在使用光学遥感与机器学习算法，研究海洋塑料污染的光谱行为，并评价辐射传输模型在此研究领域中的适用性。结果表明，污染物的光谱行为受到聚合物类型和像素覆盖百分比等因素的影响。这些发现可以指导未来在遥感应用中检测海洋塑料污染的研究。

Jun, 2023

该研究使用多光谱图像检测河流沙洲用于采砂的潜在区域，提出了一种具有识别河流的关键特征和含矿量的高度区别性的方法，无需任何有标签数据即可实现准确率、精确度和召回率分别达到 90.75％，85.47％和 73.5％。

Jul, 2023

本文介绍了如何利用计算机视觉和深度学习技术，通过对塑料的短波红外高光谱图像进行自动分析，实现了塑料废物的回收，通过专门的塑料超光谱架构，解决了分割塑料片的任务，并介绍了信号预处理在超光谱成像中的重要性，并提出了最大、最全面的塑料碎片高光谱数据集。

Mar, 2022

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。

Apr, 2024

本文提出一种基于端到端的深度学习架构，在高光谱图像分类方面表现出较高的准确度，可减少独立连接权重和训练数据的数量。

Dec, 2016