利用深度上下文和地理先验信息从 Sentinel-2 映射地表自然属性
本研究旨在通过运用不同的机器学习和深度学习模型将亚马逊雨林的卫星图像碎片进行分类和标记,并通过 F2 度量来评估分类器的准确性和损失函数。经过预训练的 ImageNet 体系结构用于提取特征,最终实现了 0.927 的最佳 F2 得分。
Jan, 2022
本研究提出了一种利用前灾难时期光学数据进行变化检测任务的模型,并针对灾害受影响区域开发了 Context-Aware Change Detection Network(CACDN)。使用 Area Under the Precision-Recall Curve(AUPRC)、Intersection over Union(IoU)和均值 IoU 等三个指标进行了评估,并通过初步结果发现,当结合前灾难光学数据时,模型的变化检测能力显著提高,反映出使用情境信息进行准确的洪水和山体滑坡检测的有效性。
Jun, 2023
全球人口不断增长,对自然资源的需求也在增加。遗憾的是,人类活动占到了 23% 的温室气体排放。幸运的是,遥感技术已经成为管理我们的环境的有价值的工具。这些技术使我们能够监测土地利用,规划城市区域,并推动农业、气候变化缓解、灾难恢复和环境监测等领域的进展。通过利用迁移学习和细调 RGB 波段,我们在土地利用分析方面取得了令人印象深刻的 99.19% 准确度。这样的研究结果可以用来制定保护和城市规划政策。
Nov, 2023
我们提供了一个全球范围、高质量、多样性广泛、描述详细的图像 - 文本数据集 ChatEarthNet,其中包含由 ChatGPT-3.5 生成的 163,488 个图像 - 文本对及额外的由 ChatGPT-4V 生成的 10,000 个图像 - 文本对,这对于远程感知的视觉语言基础模型的训练和大型视觉语言模型的评估具有重要潜力,并将供公众使用。
Feb, 2024
本研究利用来自 Sentinel-2 卫星图像的各种光谱波段组合,采用深度学习和基于像素的机器学习方法,对熏衣草田进行精准农业的精确分割,得出了 Dice 系数为 0.8324 的 U-Net 结构的最终模型,同时,我们的研究还强调了像素方法和红绿蓝光谱波段组合在这一任务中的意外功效。
Nov, 2023
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
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
本文研究了如何处理在应用深度学习技术识别危机管理时,数据高度不平衡的情况,探讨了多种技术并提出了一套综合方法,旨在提高少数类别分类的性能和模型可靠性。
Apr, 2020
本文介绍了一种基于弱监督学习策略的方法,以处理远程感知特定形式的弱监督数据,并取得高分辨率大规模土地覆盖映射的进展,基于 SEN12MS 数据集进行了讨论和展示了一些基线结果。
Feb, 2020