SeeFar:卫星无关的多分辨率地理空间基础模型数据集
本文提出了一个开放的多模式全天候映射数据集和挑战,包括光学和 SAR 数据,以及建筑物足迹标注,用于探索 SAR 数据在灾害响应和建筑物足迹提取方面的应用效果,发现使用光学预处理的 SAR 数据在建筑物足迹提取中取得了更好的效果。
Apr, 2020
利用 Copernicus 计划(ESA)的 Sentinel 卫星和 Google Earth Engine 的云计算设施,我们提供一个包括 180,662 个样本的数据集,该数据集由双极化合成孔径雷达(SAR)图像,多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成,拥有 10 m 的地面采样距离,并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。
Jun, 2019
使用地理空间基础模型 Prithvi 进行遥感图像检索,在多光谱卫星数据上取得了出色的性能,提出了三种压缩方法,能够在保持浮点数嵌入精度的同时实现 32 倍的压缩比,而且与更短哈希码的检索速度相匹配。
Mar, 2024
通过引入一个大规模的多源、多分辨率和多场景光学 - SAR 图像匹配数据集 (3MOS),我们鼓励设计更通用的多模态图像匹配方法,该数据集包含 155K 光学 - SAR 图像对,包括来自六颗商业卫星的 SAR 数据,分辨率从 1.25m 到 12.5m,并且已经根据城市、农村、平原、山区、水域、沙漠和冻土等八种场景进行了分类。大量实验证明,目前的先进方法在不同来源、分辨率和场景中都无法始终达到卓越的性能。此外,数据的分布对于深度学习模型的匹配能力有重要影响,这提出了光学 - SAR 图像匹配中的领域自适应挑战。我们的数据和代码将在此 https URL 上提供。
Apr, 2024
DiffusionSat 是迄今为止最大的生成基础模型,使用公开可获得的大型高分辨率遥感数据集进行训练,实现对多个生成任务的解决,包括时间生成、多光谱输入的超分辨率和修复。同时它在卫星图像生成方面优于以前的最先进方法,也是第一个针对卫星图像的大规模生成基础模型。
Dec, 2023
本文介绍一种针对 Sentinel-2 卫星图像进行土地利用和土地覆盖分类的方法,提供了一个包含 13 个光谱波段及 10 类共 27,000 个标记和地理参考图像的新数据集,并使用最先进的深度卷积神经网络提供了基准测试。通过这一分类系统,可以用于检测土地利用和土地覆盖的变化,并帮助改进地理地图。
Aug, 2017
本文介绍 DeepGlobe 2018 卫星图像理解挑战赛,包括分割、检测和分类任务,旨在提高计算机视觉领域对遥感数据的关注,评估卫星图像理解方法并为未来的研究提供参考基准。
May, 2018
通过使用多张卫星图像,本研究提出了一种针对 Sentinel-2 时间序列的多图像超分辨率重建算法,并展示了多图像对超分辨率性能的显著改善,同时探讨了光谱保真度和感知质量之间的权衡关系。
Apr, 2024
利用地球成像卫星阵列进行快速更新基础地图的先进机器学习技术,结合 SpaceNet 的图像标签与公共奖项竞赛加速影像判读自动化的建筑与道路网络提取,以解决人工标记不足的问题。
Jul, 2018
这篇文章介绍了一种名为 DynamicEarthNet 的数据集,其中包含每日地球观测数据和 7 种土地利用和覆盖类别的高质量标签,提供了研究土地利用演变方面的极其有用的资源。此外,文章还提出了一个新的评估指标 SCS 以应对时间序列语义变化分割中的特定挑战,并比较了几个半监督学习和时空学习的基线方法。
Mar, 2022