- ICLR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
我们发展了一个多模态监督深度学习框架,利用卫星图像数据来预测地表的自然度,以增进我们对生态系统的环境保护的理解。
- SatDiffMoE: 卫星图像超分辨率的混合估计方法与潜在扩散模型
通过扩散模型,我们提出了一种名为 SatDiffMoE 的新型融合算法,它可以将任意数量的时序低分辨率卫星图像作为输入,通过融合不同时间点的补充信息,合成具有更多细节的高分辨率重建图像。实验结果表明,与先前的方法相比,我们提出的 SatDi - BD-SAT: 高分辨率土地利用覆盖数据集和开发区域的基准结果:遗传北达卡
利用基于深度学习方法的卫星图像地表覆盖(LULC)分析对于了解发展中国家的地理、社会经济条件、贫困水平和城市扩张具有重要意义。在缺乏资金、缺乏专门的居住区 / 工业区 / 经济区、庞大的人口和多样化建筑材料的情况下,BD-SAT 提供了一种 - 卫星图像中火山活动异常检测
该研究探索了使用无监督深度学习在卫星数据中识别火山变形作为异常的方法,利用 Patch Distribution Modeling (PaDiM) 模型并通过加权距离增强检测性能,同时还提出了预处理方法来处理噪声和不完整数据点。最终使用五座 - 利用边缘检测算法的自动海岸线提取
通过对边缘检测算法进行分析,我们研究了从卫星图像中自动提取海岸线的有效性。通过视觉和度量的比较,我们发现 Canny 算法的平均结构相似性指数(SSIM)为 0.8,检测到的边缘与参考边缘最为接近。然而,该算法在区分嘈杂边缘(如建筑物等)和 - GeoSynth: 上下文感知高分辨率卫星图像合成
GeoSynth 是一个模型,用于合成具有全球风格和图像驱动的布局控制的卫星图像,通过文本提示或地理位置进行全球风格控制,可以使用场景语义或区域外观,通过在大量成对卫星图像、带自动生成标题和 OpenStreetMap 数据的数据集上训练该 - UB-FineNet: 面向开放卫星图像的都市建筑细粒度分类网络
借助开放访问的卫星图像,我们提出了一种深度网络方法,用于解决城市建筑的细粒度分类问题,通过空间分辨率增强和类别信息平衡模块的引入来改进分类鲁棒性和准确性,实验证明该方法在高精度图像的分类上与街景图像方法相当,可为城市规划者提供有价值的工具。
- SISP:一种用于全色卫星图像船只细粒度实例分割的基准数据集
通过建立船舶实例分割的基准数据集 SISP,本文介绍了一种基于卫星图像的动态特征细化辅助实例分割网络(DFRInst),用于改进船舶实例分割的性能,并通过实验证明了该方法在提高船舶实例分割中的性能方面凸显优势。
- CloudTracks: 云中船舶轨迹定位的卫星图像数据集
通过分析卫星图像,我们提供了一个数据集 CloudTracks,其中包含超过 12,000 个船舶路径实例注释,以开发自动定位船舶路径的方法。我们的最佳模型在定位船舶路径方面的性能明显优于之前的最新研究,但我们也发现最佳模型在准确定位和计数 - 高分辨率卫星图像上行星表面巨石的自动特征描述
通过使用一个实例分割神经网络(BoulderNet)并利用高分辨率卫星图像,以不同行星表面为数据集,我们可以自动化检测和轮廓描绘巨石,达到与人工描绘相似的性能,并提供了一个通用的开源工具来描述整个巨石领域。
- MLCommons 云掩码基准测试综述:相关研究与数据
通过总结云遮罩领域的正在进行的研究活动,特别是 MLCommons 科学工作组目前进行的研究和基准测试,希望为其他人更容易地开始并协作进行与 MLCommons 云遮罩基准测试相关的工作。
- 通过连接性和分割的联合学习进行道路网络的细粒度提取
本研究提出了一个堆叠多任务网络,在保持连通性正确性的同时,端到端地分割道路。在网络中,引入了全局感知模块来增强像素级道路特征表示并消除空中图像的干扰背景;增加了与道路方向相关的连通性任务,以确保网络保持道路片段的图级关系。我们还开发了一种堆 - DiffusionSat:卫星遥感图像的生成基础模型
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 - 基于卷积神经网络的解释卫星预测贫困状况研究
该论文通过细致分析深度卷积神经网络(CNNs)对卫星图像进行预测贫困和发展指标的详细反应,并解释了其预测基础。该 CNN 模型能够在比较低分辨率的白天和夜间卫星图像上优于人类主观观察高分辨率图像进行财富指数分类。多种可解释性实验表明对象大小 - 基于 Sentinel-1 和 Sentinel-2 的高分辨率人口地图
使用免费且全球可用的 Sentinel-1 和 Sentinel-2 卫星图像以及少量粗糙人口普查区域的集总人口计数进行校准,我们开发了一种名为 POPCORN 的人口映射方法,其数据需求最小,却超越了现有方案的映射准确性,能够生成最新和高 - 朝标签嵌入方向 -- 评估分类的难度
对卫星影像的分类中,使用多个标记者的多次标记结果,通过贝叶斯方法中的 Dirichlet-Multinomial 模型,在 K 维空间中对标记结果进行嵌入,以解决不确定性量化和分类中的模糊性问题。
- rpcPRF:面向卫星相机的通用 MPI 神经辐射场
用于卫星图像的新视角合成的文章,其模型基于多平面图像的 RPC,结合了隐式表示和 RPC 模型的优势,在单视角和多视角任务中都展现出较高的图像保真度、重建准确性和效率。
- 结合 UPerNet 和 ConvNeXt 进行凝结轨迹识别以减少全球变暖
通过使用卫星图像中的语义分割技术,本研究致力于改进对飞机尾迹的检测模型,减少其对气候变化的影响,并取得了非常出色的结果,将其置于参与团队的前 5%,凸显了分割模型的创新性以及在卫星图像中改进飞机尾迹识别的潜力。
- 大尺寸多日期卫星图像的快速张量辐射场
SatensoRF 通过多尺度张量分解方法对卫星图像进行光场建模,优于传统的 Hierarchical MLP-based 场景表示,有效解决多时相一致性问题,并在新视角合成性能上超越了现有的 Sat-NeRF 系列模型。
- 卫星图像语义分割的主动标签细化
通过卫星图像的语义分割进行遥感技术研究,有利于了解和利用地球表面。本文提出一种低成本的标记方法,通过众包或预训练网络标记图像,并利用主动学习策略在第二步精细化标注图像。实验结果表明,对语义分割网络进行主动标注精化能够提高性能。