Jun, 2024

WV-Net：使用对比自监督学习训练的 SAR WV 模式卫星图像基础模型，训练数据达到 1000 万张图像

PDF
TL;DR使用 WV-Net 模型和对比自监督学习方法，使用近 1000 万个 WV 模式图像进行训练，在估计浪高、气温和多标签分类等多个下游任务中表现出优越性能，并且在无监督图像检索任务中也展现出卓越性能，显示了 WV-Net 嵌入模型在支持地球物理研究中的潜力。
copernicus sentinel-1synthetic aperture radarsemantic embedding modelwave height estimationmultilabel-classification
发现论文，激发创造
  • 利用光学雷达跨波段少样本迁移学习进行土地利用预测

    该研究探索了使用深度学习方法和分布对齐的神经网络嵌入可以提高卫星影像分析的准确性，尤其是在少量样本预测中，显著地超越了多种基线方法，其关键词有卫星图像分析，深度学习，迁移学习，Sentinel 和地区气候分区。

    Dec, 2022

  • 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

  • 大规模掩码自编码减少合成孔径雷达数据的标签要求

    利用遥感卫星监测和缓解人为气候变化的影响在关键的干预和政策决策方面有着重要作用。合成孔径雷达 (SAR) 提供了一种强大的光学数据替代方案，通过自监督预训练方法在预测植被覆盖和土地分类关键任务上减少了标记数据需求，从而大大推进了气候变化监测的发展。

    Oct, 2023

  • 使用维基百科学习全球卫星图像的解释

    本文提出了一种新的方法来解决缺乏标注训练数据在卫星图像的细粒度解释方面的难题，通过将地理参考维基百科文章与其对应位置的卫星图像配对构建名为 WikiSatNet 的新型数据集，并提出了两种学习卫星图像表示的策略。在最新发布的 fMoW 数据集上，本文的预训练策略可以将在 ImageNet 预训练的模型的 F1 分数提高 4.5%。

    May, 2019

  • 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

  • 基于子孔径分解的引导无监督学习用于海洋 SAR 图像检索

    利用子孔径分解算法提高海洋 SAR 图像的无监督学习检索精度，并表明使用多普勒重心图像时，该算法带来了重要的性能提升，为新的无监督物理引导检索算法开辟了新的研究方向。

    Sep, 2022

  • MS-Net: 用于合成孔径雷达图像中飞机细粒度分类的多模态自监督网络

    提出一个新颖的多模态自监督网络（MS-Net）用于合成孔径雷达（SAR）影像中飞机的细粒度分类，通过大量实验，证明了 MS-Net 在无标签情况下能够有效降低类似类型飞机的分类难度，对 SAR 影像中飞机的细粒度分类具有开创性意义。

    Aug, 2023

  • 多标签引导的软对比学习用于高效地球观测预训练

    利用自监督预训练技术在大规模卫星数据上取得了重要进展，同时发现在地表覆盖地表利用产品等自由全球语义信息资源和自然世界的视觉基础模型等重要资源的应用能显著提高地球观测预训练的效率和效果。

    May, 2024

  • DeepAqua：利用知识蒸馏自监督从 SAR 图像中语义分割湿地

    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

  • 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