Building Damage Annotation on Post-Hurricane Satellite Imagery Based on Convolutional Neural Networks
University of Washington(华盛顿大学)
飓风过后,损失评估对于应急管理人员进行有效响应和资源分配至关重要。衡量受损程度的一种方法是量化被淹/受损建筑物的数量,这传统上是通过地面调查完成的。这个过程可能是劳动密集型和耗时的。在本文中,我们提出了提高建筑物损坏评估的效率,通过应用图像分类算法飓风后的卫星图像。在已知的建筑物坐标(可从公共数据中获得),我们从卫星图像中提取正方形大小的图像,以创建训练,验证和测试数据集。每个正方形大小的图像包含一个建筑物,该建筑物被分类为“洪水/受损”(由众包项目中的志愿者标记)或“未受损”。我们从头开始设计和训练一个卷积神经网络,并将其与广泛用于常见对象分类的现有神经网络进行比较。我们在受2017年飓风哈维影响的大休斯顿地区的建筑物损坏评估案例研究中展示了我们的损坏注释模型(准确率超过97%)的前景。
2020-07-07 cs.CV
Deep Built-Structure Counting in Satellite Imagery Using Attention Based Re-Weighting
Information Technology University(信息技术大学)
在本文中,我们试图解决具有挑战性的问题,计数建成结构的卫星图像。建筑密度比建成区分割更能准确地估计人口密度、城市面积扩展及其对环境的影响。然而,构建形状变化、重叠边界和变化密度使这成为一项复杂的任务。为了解决这个难题,我们提出了一种基于深度学习的回归技术,用于计算卫星图像中的建筑结构。我们提出的框架智能地结合了卫星图像的不同区域的功能,使用基于注意力的重新加权技术。多个并行卷积网络被设计用于捕获不同粒度的信息。这些特征被组合到FusionNet中,FusionNet经过训练,以不同的粒度对特征进行不同的加权,使我们能够预测精确的建筑数量。为了训练和评估所提出的方法,我们提出了一个新的大规模和具有挑战性的内置结构计数数据集。我们的数据集是通过收集来自不同地理区域(飞机,城市中心,沙漠等)的卫星图像构建的。在全球范围内(亚洲,欧洲,北美和非洲),并捕捉建筑结构的广泛密度。详细的实验结果和分析验证了所提出的技术。FusionNet在测试数据中的平均绝对误差为3.65,R平方测量值为88%。最后,我们在274:3上进行测试。103平方米的不可见区域,该区域的656栋建筑物中有19栋建筑物的误差。
2019-04-01 cs.CV
Utilizing Satellite Imagery Datasets and Machine Learning Data Models to Evaluate Infrastructure Change in Undeveloped Regions
University of Southern California(南加州大学);Institute for Creative Technologies(创意技术研究所);Army Futures Command(陆军未来司令部);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);US Army’s Synthetic Training Environment(美国陆军合成训练环境)
在全球化的经济世界中,了解地球上发展中地区基础设施和建设举措背后的目的变得非常重要。这在这种项目的资金必须来自外部来源时是至关重要的,非洲大陆的大部分地区都是如此。当涉及到图像分析来研究这些地区时,地面和空中覆盖要么不存在,要么不常见。然而,来自大量商业、私人和政府卫星的图像已经产生了覆盖全球的巨大数据集,汇编了可以使用机器学习算法和神经网络挖掘和处理的地理空间资源。不利的一面是,这些地理空间数据资源大多处于技术停滞状态,因为在获取卫星图像数据时难以快速分析和确定请求和处理计划。这项研究的目标是允许对铁路等大型基础设施项目进行自动化监测,以确定定义和预测施工计划可能采取的方向的可靠指标,从而通过缩小和有针对性的卫星图像请求进行定向监测。通过利用现有卫星数据的摄影测量技术来创建3D网格和数字表面模型(DSM),我们希望有效地预测运输路线。在通过预测建模了解大规模交通基础设施的潜在发展方向时,跟踪、理解和监控进展变得更加容易,特别是在图像覆盖范围有限的地区。
2020-09-01 cs.CV
A Novel Dataset for Flood Detection Robust to Seasonal Changes in Satellite Imagery
South Dakota State University(南达科他州立大学)
针对现有洪水检测卫星图像数据集的缺口,研究构建了含美国五州50个地点的2019年中西部洪水卫星图像数据集,测试先进分割模型并开展时序消融实验,发现模型表现一般,该数据集将公开以助力相关研究。
2025-07-31 cs.CV
Representative-Discriminative Learning for Open-set Land Cover Classification of Satellite Imagery
The University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校);Applied Research Associates(应用研究联合公司)
卫星图像的土地覆盖分类是分析地球表面的重要步骤。现有的模型假设一个闭集设置,其中训练和测试类都属于同一个标签集。然而,由于卫星图像的独特特性,具有极其广阔的多用途覆盖材料的区域,训练数据必然是非代表性的。在本文中,我们研究的问题,开集土地覆盖分类,确定样本属于未知的类在测试过程中,同时保持性能上已知的类。虽然本质上是一个分类问题,但需要利用数据的代表性和判别性方面,以便更好地区分未知类别和已知类别。我们提出了一个代表性判别开集识别(RDOSR)框架,该框架1)将数据从原始图像空间投影到嵌入特征空间,以便于区分相似的类,并进一步2)通过转换到所谓的丰度空间来增强代表性和判别能力。在多个卫星基准上的实验证明了该方法的有效性。我们还显示了所提出的方法的通用性,通过使用RGB图像的开集分类任务取得了可喜的成果。
2020-07-21 cs.CV
Improving Satellite Imagery Masking using Multi-task and Transfer Learning
College of Information and Computer Sciences, University of Massachusetts(马萨诸塞大学信息与计算机科学学院);University of Pittsburgh(匹兹堡大学);University of North Carolina(北卡罗来纳大学)
针对卫星影像掩膜依赖多类数据、步骤精度不足影响后续估算的问题,提出基于多任务与迁移学习的HLS影像掩膜系统,实现精度与效率双提升,可支撑全球尺度遥感分析。
2024-12-11 cs.CV
Buildings Classification using Very High Resolution Satellite Imagery
Lebanese University(黎巴嫩大学);Islamic University of Lebanon(黎巴嫩伊斯兰大学);MINES ParisTech(巴黎高科矿业学院);National Center for Remote Sensing - CNRS(法国国家科学研究中心国家遥感中心)
利用卫星图像进行建筑物分类对于诸如损害评估、资源分配和人口估计等应用变得越来越重要。在这项工作中,我们的重点是建筑物损坏评估(BDA)和建筑物类型分类(BTC)的住宅和非住宅建筑。我们建议仅依赖RGB卫星图像,并遵循基于2阶段深度学习的方法,首先,使用语义分割模型提取建筑物的足迹,然后对裁剪后的图像进行分类。由于缺乏适当的数据集的住宅/非住宅建筑分类,我们引入了一个新的高分辨率卫星图像数据集。我们进行了大量的实验,以选择最佳的超参数,模型架构和训练范式,我们提出了一种新的基于迁移学习的方法,优于经典方法。最后,我们在两个应用程序上验证了所提出的方法,这些应用程序显示出出色的准确性和F1得分指标。
2021-11-29 cs.CV
SatDreamer360: Multiview-Consistent Generation of Ground-Level Scenes from Satellite Imagery
Nanjing University of Science and Technology(南京理工大学);ShanghaiTech University(上海科技大学)
提出SatDreamer360框架,通过三平面表示、基于射线的像素注意力及全景对极约束注意力模块,从单张卫星图像生成几何一致的多视角地面全景图,并构建VIGOR++数据集,在多视角一致性和对齐效果上优于现有方法。
2025-10-11 cs.CV
SeeTheSeams: Localized Detection of Seam Carving based Image Forgery in Satellite Imagery
Mayachitra, Inc.(Mayachitra公司);UC Santa Barbara(加州大学圣塔芭芭拉分校)
接缝雕刻是用于内容感知图像重定向的流行技术。它可以用来故意操纵图像,例如,改变建筑物的GPS位置或插入/删除卫星图像中的道路。本文提出了一种新的方法来检测和定位接缝在这样的图像。虽然存在检测基于接缝雕刻的操作的方法,但这是第一次使接缝雕刻伪造的鲁棒定位和检测成为可能。我们还提出了一个接缝定位分数(SLS)的度量来评估本地化的有效性。所提出的方法进行了广泛的评估,从不同来源的大量图像,在这些数据集上表现出高水平的检测和定位性能。在这项工作中策划的数据集将向公众发布。
2021-08-28 cs.CV
Satellite Detection in Unresolved Space Imagery for Space Domain Awareness Using Neural Networks
Embry-Riddle Aeronautical University(安柏瑞德航空大学)
这项工作利用MobileNetV2卷积神经网络(CNN)快速,移动检测卫星,并拒绝明星,在混乱的未解决的空间图像。首先,使用来自合成卫星图像程序的图像创建自定义数据库,并使用卫星上的边界框标记“卫星阳性”图像。然后在该数据库上训练CNN,并通过在由真实望远镜图像构建的外部数据集上检查模型的准确性来验证推断。在这样做时,训练的CNN提供了一种快速的卫星识别方法,用于随后的地基轨道估计。
2022-07-23 cs.CV cs.LG
DeepSat V2: Feature Augmented Convolutional Neural Nets for Satellite Image Classification
Louisiana State University(路易斯安那州立大学);Bay Area Environmental Research Institute(湾区环境研究所);NASA Ames Research Center(美国国家航空航天局埃姆斯研究中心)
卫星图像分类是遥感、计算机视觉和机器学习的交叉点上的一个具有挑战性的问题。由于卫星数据固有的高度可变性,大多数当前的对象分类方法不适合处理卫星数据集。卫星图像分析的进展也因缺乏具有多个类别标签的单一标签高分辨率数据集而受到抑制。在这项工作的初步版本中,我们引入了两个新的高分辨率卫星图像数据集(SAT-4和SAT-6),并提出了基于“手工”特征和深度信念网络(DBN)的DeepSat分类框架。本文是一个扩展版本,我们提出了一个端到端的框架,利用改进的架构,增强了卷积神经网络(CNN)与手工制作的功能(而不是使用基于DBN的架构)进行分类。我们的框架可以访问从手工制作的特征以及CNN特征图获得的融合空间信息,在SAT-4和SAT-6上分别实现了99.90%和99.84%的准确率,超过了所有其他最先进的结果。基于分布可分性准则的统计分析证实了我们的方法在学习更好的卫星图像表示的鲁棒性。
2019-11-15 cs.CV cs.LG eess.IV
A Multi-Agent Feedback System for Detecting and Describing News Events in Satellite Imagery
Massachusetts Institute of Technology(麻省理工学院);Planet Labs
提出一种迭代多智能体工作流SkyScraper,通过地理编码新闻文章并合成卫星图像序列描述,有效发现多时相事件并构建5000序列数据集。
2026-05-27 cs.CV cs.MA
Long-range UAV Thermal Geo-localization with Satellite Imagery
New York University(纽约大学);Autonomous Robotics Research Center-Technology Innovation Institute(技术创新研究院自主机器人研究中心)
针对低照度环境下远程无人机GPS失效的问题,本文提出一种基于卫星RGB图像的新型热成像地理定位框架,结合多种域适应方法解决配对数据缺乏问题,并发布了Boson-nighttime数据集,首次实现了远程飞行的可靠热成像地理定位。
2023-07-29 cs.CV cs.RO
Manipulating UAV Imagery for Satellite Model Training, Calibration and Testing
The University of Sydney(悉尼大学)
现代畜牧业越来越受数据驱动,并经常依赖高效的遥感来收集大面积的数据。高分辨率卫星图像就是这样一种数据来源,随着覆盖范围的扩大和成本的降低,农民越来越容易获得这种数据。这些图像可用于检测和跟踪动物,监测牧场变化,并了解土地使用情况。应用于这些任务的许多数据驱动模型需要地面实况的分辨率高于卫星所能提供的分辨率。与此同时,缺乏集中于几天或几周内发生的农田变化的可用航空图像,例如牛群移动。考虑到这一目标,我们提出了一个新的多时相数据集的高分辨率无人机图像是人为退化,以匹配卫星数据的质量。一个经验模糊度量是用来校准该地区的实际卫星图像的退化过程。无人机调查在几个星期内反复飞行,针对特定的农场地点。这种5cm/像素的数据具有足够高的分辨率,可以准确地确定牛的位置和其他因素,如草覆盖。从33个大面积无人机调查,1869斑块提取和人工退化使用精确的卫星光学模型模拟卫星数据。来自多个时间段的地理斑块被对齐并呈现为集合,提供了可用于检测农场变化的多时相数据集。地理参考图像和27,853个人工注释的牛标签已公开提供。
2022-03-22 cs.CV eess.IV
Post-Hurricane Damage Assessment Using Satellite Imagery and Geolocation Features
University of Washington(华盛顿大学)
在飓风等灾害事件发生后获得及时可靠的情况感知对应急管理人员和第一反应人员至关重要。实现这一目标的一个有效途径是进行损害评估。最近,灾害研究人员一直在利用卫星或无人机拍摄的图像来量化被洪水淹没/受损的建筑物数量。在本文中,我们提出了一种混合数据方法,该方法利用受影响地区的公开卫星图像和地理位置特征来识别飓风后受损的建筑物。基于2017年影响大休斯顿地区的飓风哈维的案例研究,该方法显示出仅使用图像特征执行类似任务的显着改进。这一结果为统一计算机视觉算法(如卷积神经网络)的进步和损害评估的传统方法(例如使用洪水深度或裸土拓扑结构)提供了广泛的可能性。在这项工作中,创造性地选择了地理定位功能,以提供额外的信息,图像功能,但它是由用户来决定哪些其他功能可以包括模拟事件的物理行为,这取决于他们的领域知识和灾难的类型。这项工作中策划的数据集是公开的(DOI:10.17603/ds 2 -3cca-f398)。
2020-12-15 cs.CV eess.IV
KidSat: satellite imagery to map childhood poverty dataset and benchmark
University of Oxford(牛津大学);University College London(伦敦大学学院);National University of Singapore(新加坡国立大学);University of Copenhagen(哥本哈根大学);Imperial College London(帝国理工学院);Save the Children, UK(救助儿童会英国分会)
本研究提出配对卫星图像与儿童贫困调查数据的KidSat数据集及基准,覆盖东非和南部非洲19国的3万余张图像,测试多类模型的时空泛化能力并开源相关代码。
2024-07-08 cs.CV cs.LG
H2O-Net: Self-Supervised Flood Segmentation via Adversarial Domain Adaptation and Label Refinement
Department of Computer and Electrical Engineering, Rutgers University(计算机与电气工程系,罗格斯大学);Cloud to Street(云街(Cloud to Street))
通过高分辨率、高延迟的卫星图像进行近乎实时的准确的洪水检测,对于通过提供快速和可操作的信息来防止生命损失至关重要。用于洪水探测的仪器和传感器只能在低分辨率、低延迟的卫星上使用,区域重访期长达16天,使得使用这种卫星的洪水警报系统不可靠。这项工作提出了H2O-Network,一种自监督的深度学习方法,通过桥接低延迟和高延迟卫星之间的域间隙和从粗到细的标签细化来从卫星和航空图像中分割洪水。H2O-Net学习合成与水存在高度相关的信号,作为高分辨率卫星图像中语义分割的领域自适应步骤。我们的工作还提出了一种自我监督机制,它不需要任何手动注释,在训练过程中使用,以生成高质量的地面实况数据。我们证明,H2O-Net优于国家的最先进的语义分割方法卫星图像的10%和12%的像素精度和mIoU分别为洪水分割的任务。我们通过将在卫星图像上训练的模型权重转移到无人机图像(一个高度不同的传感器和领域)来强调我们模型的通用性。
2020-10-11 cs.AI cs.CV
Development and Application of a Sentinel-2 Satellite Imagery Dataset for Deep-Learning Driven Forest Wildfire Detection
University of West Florida(西佛罗里达大学)
本研究构建了包含超10万对火灾前后图像的高分辨率Sentinel-2数据集CWGID,并验证了EF EfficientNet-B0模型在森林野火检测中准确率超92%,为深度学习检测野火提供了宝贵资源。
2024-09-24 cs.CV cs.LG
SAT-SKYLINES: 3D Building Generation from Satellite Imagery and Coarse Geometric Priors
University of Southern California, Institute for Creative Technologies(美国南加州大学,创意技术研究所)
提出SatSkylines方法,利用卫星影像和粗略几何先验生成三维建筑,通过建模噪声先验到精细几何的变换实现灵活控制,并构建Skylines-50K数据集,实验验证了有效性和泛化能力。
2025-08-25 cs.AI cs.CV
Weakly Supervised Domain Adaptation for Built-up Region Segmentation in Aerial and Satellite Imagery
Information Technology University(信息技术大学)
本文提出了一种新的领域自适应算法来处理卫星和航空图像所带来的挑战,并证明了其有效性的建筑物区域分割问题。建筑面积估算是理解人类对环境的影响、公共政策的影响和一般城市人口分析的重要组成部分。航空和卫星图像的多样性以及缺乏覆盖这种多样性的标记数据使得机器学习算法难以概括这些任务,特别是在多个领域。另一方面,由于缺乏强的空间上下文和结构,与地面图像相比,现有的无监督领域自适应方法的应用导致次优适应。我们深入研究了现有的领域自适应方法的局限性,并提出了一个弱监督的适应策略,我们假设图像级标签可用于目标域。更具体地说,我们设计了一个内置的区域分割网络(作为编码器-解码器),添加了一个图像分类头来指导自适应。设计的系统能够解决多个卫星和航空图像数据集的视觉差异的问题,从高分辨率(HR)到非常高的分辨率(VHR)。通过手工标记卢旺达的73.4平方公里,创建了一个现实而具有挑战性的HR数据集,捕获了不同地形上的各种建筑结构。与现有数据集相比,开发的数据集空间丰富,涵盖了各种建筑场景,包括森林和沙漠中的建筑区,泥屋,锡和彩色屋顶。通过自适应单源域进行了大量的实验,以分割出目标域。与现有的最先进的方法相比,我们在IoU中实现了11.6%-52%的高增益。
2020-07-05 cs.CV eess.IV
End-to-end Cloud Segmentation in High-Resolution Multispectral Satellite Imagery Using Deep Learning
National Institute of Research and Training in Telecommunications (INICTEL-UNI)(国家电信研究与培训学院(INICTEL-UNI));National University of Engineering(国立工程大学)
在高分辨率卫星图像中分割云是一项艰巨而具有挑战性的任务,因为卫星可以捕获许多类型的地理和云。因此,它需要自动化和优化,特别是对于那些经常处理大量卫星图像的人,如政府机构。从这个意义上说,这项工作的贡献是双重的:我们提出了CloudPeru 2数据集,由22,400张512x512像素的图像及其各自的手绘云掩模组成,以及基于Deeplab v3+架构使用卷积神经网络(CNN)的云端到端分割方法的建议。结果表明,该方法的准确性为96.62%,精密度为96.46%,特异性为98.53%,敏感性为96.72%,优于其他方法。
2019-04-29 cs.CV eess.IV
A Novel Spatial-Spectral Framework for the Classification of Hyperspectral Satellite Imagery
BITS, Pilani(pilani比兹大学)
超光谱卫星图像目前正广泛用于准确的灾害预测和地形特征分类。然而,在这样的分类任务中,大多数目前的方法仅使用包含在图像中的光谱信息。因此,在本文中,我们提出了一个新的框架,考虑到光谱和空间信息包含在数据的土地覆盖分类。为此,我们使用高斯最大似然(GML)和卷积神经网络方法进行像素光谱分类,然后使用Watershed算法生成的分割图,将空间上下文信息纳入我们的模型中。使用修改的多数投票技术。在两个基准数据集上的实验分析表明,我们提出的方法比以前的方法更好,在帕维亚大学和印度松树数据集上分别达到99.52%和98.31%的准确率。此外,我们的基于GML的方法,一个非深度学习算法,显示出与最先进的深度学习技术相当的性能,这表明了所提出的方法对于执行高光谱图像的计算效率分类的重要性。
2020-07-22 cs.CV eess.IV
ForestNet: Classifying Drivers of Deforestation in Indonesia using Deep Learning on Satellite Imagery
Stanford University(斯坦福大学);Descartes Labs(笛卡尔实验室);RTI International(RTI国际研究所)
确定导致森林砍伐的过程的特征对于制定和执行有针对性的森林养护和管理政策至关重要。在这项工作中,我们开发了一个名为ForestNet的深度学习模型,用于对印度尼西亚原始森林损失的驱动因素进行分类,印度尼西亚是世界上森林砍伐率最高的国家之一。利用卫星图像,ForestNet确定了任何规模的森林损失斑块中毁林的直接驱动因素。我们策划了一个数据集的Landsat 8卫星图像的已知森林损失事件与驱动程序的注释专家口译员配对。我们使用数据集来训练和验证模型,并证明ForestNet大大优于其他标准的驱动程序分类方法。为了支持未来对森林砍伐驱动分类自动化方法的研究,本研究中管理的数据集可在https://stanfordmlgroup.github.io/projects/forestnet上公开获取。
2020-11-11 cs.CV cs.LG eess.IV
Multi$^{\mathbf{3}}$Net: Segmenting Flooded Buildings via Fusion of Multiresolution, Multisensor, and Multitemporal Satellite Imagery
University of Oxford(牛津大学);TU Munich(慕尼黑工业大学);University of Kent(肯特大学);LIST Luxembourg(卢森堡LIST研究所);DFKI(德国人工智能研究中心);TU Kaiserslautern(凯泽斯劳滕工业大学);Czech Geological Survey(捷克地质调查局);University of Warsaw(华沙大学)
我们提出了一种新的方法,通过融合多分辨率,多传感器,多时相的卫星图像在卷积神经网络被淹没的建筑物的快速分割。我们的模型大大加快了基于卫星图像的洪水地图的生成,这对于洪水事件早期阶段的第一响应者和地方当局至关重要。通过整合多时相卫星图像,我们的模型可以快速准确地进行灾后损失评估,并可供政府用于更好地协调受灾地区的中长期财政援助计划。该网络由多个编码器-解码器架构流组成,这些架构从中分辨率图像中提取时空信息,并从高分辨率图像中提取空间信息,然后将所得表示融合到被淹没建筑物的单个中分辨率分割图中。我们将我们的模型与最先进的建筑物足迹分割方法以及用于淹没建筑物分割的替代融合方法进行比较,发现我们的模型在这两项任务上都表现最好。我们还证明,我们的模型只使用公开的中等分辨率数据,而不是更详细,但稀疏可用的非常高分辨率的数据,产生高度准确的分割地图的淹没建筑物。我们发布了第一个完全预处理和标记的灾难现场多分辨率,多光谱和多时相卫星图像的开源数据集以及我们的源代码。
2018-12-05 cs.AI cs.CV cs.LG
Progressive Domain Adaptation with Contrastive Learning for Object Detection in the Satellite Imagery
Texas State University(德克萨斯州立大学)
本文针对卫星影像中小而密集目标检测难题,提出结合空间金字塔池化、跨阶段部分网络、热图区域提议和图像难度自适应焦点损失的小目标检测流程,并引入对比学习与渐进域自适应生成域不变特征,在高度不平衡卫星数据集上构建首个域自适应基准,使mAP提升7.4%。
2023-10-31 cs.CV cs.LG cs.MM
Using Satellite Imagery for Good: Detecting Communities in Desert and Mapping Vaccination Activities
Information Technology University(信息技术大学)
深度卷积神经网络(CNN)已经超越了现有的对象识别和检测算法。另一方面,卫星图像捕捉到的景象是多种多样的。本文描述了一种深度学习方法,该方法分析地理参考卫星图像并有效地检测其中的建筑结构。为了实现最终结果,在低分辨率Google Earth卫星图像上训练全卷积网络(FCN)。然后将检测到的建成社区与提供了一些有用统计数据的疫苗接种活动相关联。
2017-05-12 cs.CV
Leveraging Vision Reconstruction Pipelines for Satellite Imagery
Cornell Tech, Cornell University(康奈尔大学康奈尔科技校区)
从卫星图像重建三维几何是一个重要的研究课题。然而,在遥感背景下如何处理该3D重建问题与在计算机视觉社区中如何开发多视图重建管线之间存在差异。在本文中,我们将探讨视觉社区最先进的重建管道是否可以应用于卫星图像。一路上,我们解决了几个挑战,适应基于视觉的运动恢复结构和多视图立体视觉方法。我们表明,视觉管道可以在卫星环境中提供有竞争力的速度和准确性。
2019-10-16 cs.CV
Automated System for Ship Detection from Medium Resolution Satellite Optical Imagery
XLAB Research(XLAB研究);XLAB d.o.o.(XLAB有限公司)
在本文中,我们提出了一个低成本的中等分辨率的卫星光学图像从欧空局哨兵2和行星实验室鸽子星座的船舶检测管道。与基于合成孔径雷达(SAR)图像的现有解决方案相比,这种光学卫星图像在地球上任何地方都很容易获得,但在海洋领域利用不足。我们开发了一种基于最先进的基于深度学习的目标检测方法的船舶检测方法,该方法是在自动识别系统(AIS)数据的帮助下收集和自动注释的大规模数据集上开发和评估的。
2021-04-28 cs.CV
Automatic Extraction of Open Space Area from High Resolution Urban Satellite Imagery
在21世纪,航空和卫星图像信息丰富。分析起来也很复杂。对于GIS系统,许多功能需要快速和可靠的提取开放空间区域从高分辨率的卫星图像。本文将研究一种高效可靠的自动提取算法,从高分辨率的城市卫星影像中提取出空地区域。这种自动提取算法使用一些滤波器和分割和分组是适用于卫星图像。所得影像可用来计算总可用开放空间面积及建筑面积。它也可以用来比较现在和过去的开放空间面积之间的差异,使用相同投影的历史城市卫星图像
2022-02-02 cs.CV
Satellite Imagery Feature Detection using Deep Convolutional Neural Network: A Kaggle Competition
True Accord;Open Data Science(开放数据科学);AeroState
本文介绍了我们的方法,由Kaggle运行的DSTL卫星图像特征检测挑战。这项挑战的主要目标是对卫星图像中的不同类别进行准确的语义分割。我们的方法是基于适应的全卷积神经网络多光谱数据处理。此外,我们定义了几个修改的训练目标和整个训练管道,例如边界效应估计,我们还讨论了使用数据增强策略和反射率指数。我们的解决方案在419个参赛作品中获得第三名。它的准确性与前两个地方相当,但与这些解决方案不同的是,它不依赖于复杂的集成技术,因此可以很容易地扩展到生产中部署,作为卫星图像分析自动特征标记系统的一部分。
2017-06-19 cs.CV
Reduced Focal Loss: 1st Place Solution to xView object detection in Satellite Imagery
XIX.ai Inc.(XIX.ai公司);IQVIA(艾昆纬)
本文描述了我们应对DIUx xView 2018检测挑战的方法[1]。这次挑战的重点是一个新的卫星图像数据集。该数据集包含60个高度不平衡的对象类。由于数据集的不平衡性,训练过程变得更具挑战性。为了解决这个问题,我们引入了一个新的减少焦点损失函数,它使我们在DIUx xView 2018检测挑战赛中获得第一名。
2019-04-25 cs.CV
Object Detection in Satellite Imagery using 2-Step Convolutional Neural Networks
National Institute of Advanced Industrial Science and Technology(产业技术综合研究所)
提出了一种有效的卫星图像目标检测目标检测方法。在许多机器学习算法中,我们提出了两个卷积神经网络(CNN)的组合,分别针对高精度和高召回率。我们使用高尔夫球场作为目标对象来验证我们的模型。所提出的深度学习方法比以前的对象识别方法具有更高的准确性。
2018-08-09 cs.CV
Learning Dense Stereo Matching for Digital Surface Models from Satellite Imagery
University of Delaware(特拉华大学);Vision Systems Inc.(视觉系统公司)
从卫星图像生成数字表面模型是一项艰巨的任务,在很大程度上被深度学习社区所忽视。为包括自动驾驶汽车在内的地面系统开发的立体重建技术不能很好地转化为图像对差异很大的卫星图像。在这项工作中,我们提出了神经网络量身定制的数字表面模型生成,地面的真实性和训练计划,最大限度地利用硬件,我们提出了一个比较现有的方法。生成的模型是平滑的,保留边界,并允许进一步处理。这是在这个领域利用深度学习的第一次尝试。
2018-12-11 cs.CV
Automatic Detection of Dark Ship-to-Ship Transfers using Deep Learning and Satellite Imagery
University College London(伦敦大学学院)
针对卫星影像中非法船对船转运检测的研究空白,训练卷积神经网络识别多类货船与转运行为,结合船载GPS数据构建检测流程,在刻赤海峡识别出2022年以来超400起暗地转运事件。
2024-04-11 cs.CV
Automated Remote Sensing Forest Inventory Using Satellite Imagery
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院);Ulm University(乌尔姆大学)
对于俄罗斯、加拿大或美国等许多国家来说,一个强大而详细的树种清单对于可持续地管理森林至关重要。由于无人机(UAV)影像无法应用于大规模森林资源调查,因此利用卫星影像进行机器学习是一个新兴的研究课题。虽然卫星图像质量相对较低,但额外的光谱通道为树冠分类任务提供了足够的信息量。假设已经检测到树冠,我们使用由自动编码器生成的树冠嵌入作为数据集来训练经典的机器学习算法。我们将我们基于自动编码器(AE)的方法与传统的卷积神经网络(CNN)端到端分类器进行了比较。
2021-11-07 cs.CV
CNN-Based Semantic Change Detection in Satellite Imagery
The University of Manchester(曼彻斯特大学)
及时的灾害风险管理需要准确的路线图和迅速的损害评估。目前,这是由志愿者手动标记受影响地区的卫星图像完成的,但这一过程缓慢,而且往往容易出错。分割算法可应用于卫星图像以检测道路网络。然而,现有的方法是不适合受灾地区,因为他们作出的道路网络拓扑结构,这可能不再是有效的,在这些情况下的假设。在这里,我们提出了一个基于CNN的框架,用于通过检测灾前图像的变化来识别灾后图像中的可通行道路。将图论与CNN输出相结合,用于检测OpenStreetMap数据道路网络中的语义变化。我们的研究结果与数据的海啸影响地区在帕卢,印度尼西亚从DigitalGlobe获得验证。
2020-06-10 cs.CV
Solar potential analysis over Indian cities using high-resolution satellite imagery and DEM
本研究利用高分辨率卫星影像和DEM,结合地面站辐射数据,提出了一种考虑阴影和屋顶结构等因素的屋顶太阳能潜力估算方法,发现发电损失可达50%,且高分辨率数据在城市区域结果更准确。
2024-11-07 cs.CV
Utilizing Post-Hurricane Satellite Imagery to Identify Flooding Damage with Convolutional Neural Networks
UT Austin(德克萨斯大学奥斯汀分校)
飓风后损失评估对于管理资源分配和执行有效的应对措施至关重要。传统上,这种评估是通过现场勘察进行的,这是缓慢的,危险的,艰巨的。相反,在本文中,我们进一步提出了通过卷积神经网络实现深度学习的想法,以便将飓风后建筑物的卫星图像分类为洪水/受损或未受损。该实验使用的数据集包含2017年哈维飓风后大休斯顿地区的飓风后卫星图像。本文实现了三种卷积神经网络模型架构,并结合其他模型考虑因素,以实现高准确度(超过99%),加强了机器学习在飓风后灾害评估中的有效使用。
2022-09-05 cs.CV
Analysis of Object Detection Models for Tiny Object in Satellite Imagery: A Dataset-Centric Approach
Grahaa Space(Grahaa空间公司)
本文提出一个含3000张卫星图像的数据集,评估最先进模型在小目标检测中的表现,并采用Byte Track算法处理卫星视频跟踪,为卫星图像分析提供见解。
2024-12-12 cs.CV
Intermediate and Future Frame Prediction of Geostationary Satellite Imagery With Warp and Refine Network
SI Analytics;NVIDIA(英伟达);National Institute of Meteorological Sciences (NIMS)(国家气象科学研究所)
地球静止卫星图像可用于气候和天气预报、规划自然能源和预测极端天气事件。为了进行精确和准确的预测,提高地球静止卫星图像的空间和时间分辨率至关重要。虽然最近地球静止卫星的分辨率有所提高,但由于分辨率不同,对气候应用的长期分析从过去到现在仅限于使用多颗卫星。为了解决这个问题,我们提出了扭曲和细化网络(WR-Net)。WR-Net分为光流扭曲组件和扭曲图像细化组件。我们使用TV-L1算法而不是基于深度学习的方法来提取光流扭曲分量。基于深度学习的模型是在RGB通道的以人为中心的视图上训练的,并且不适用于地球同步卫星,这是灰度单通道图像。细化网络通过多时间融合层细化变形图像。我们评估WR-Net的时间分辨率插值在4分钟的时间间隔2分钟的时间间隔在大规模GK 2A静止气象卫星图像。此外,我们将WR-Net应用于未来帧预测任务,并表明明确使用光流可以帮助未来帧预测。
2023-03-08 cs.CV
Addressing single object tracking in satellite imagery through prompt-engineered solutions
RSLab NTUA(希腊国家技术大学RSLab);UniWA(西澳大利亚大学)
针对卫星图像中传统单目标跟踪精度受背景、大气干扰等因素制约的问题,本研究结合SAM和TAPIR提出无需训练的基于点的小目标跟踪提示工程方法,经VISO数据集验证有效推动了卫星遥感跟踪技术发展。
2024-07-07 cs.CV
Deep Learning for Recognizing Mobile Targets in Satellite Imagery
Lockheed Martin Space(洛克希德·马丁空间系统公司)
对自动检测和分类卫星图像中的飞机、汽车和船舶等移动目标的软件的需求越来越大。这种自动目标识别(ATR)软件的应用包括经济预测、交通规划、海事执法和灾难响应。本文介绍了扩展的卷积神经网络(CNN)的分类滑动窗口检测算法。它在xView数据集的移动目标上进行了评估,其检测和分类精度高于95%。
2020-10-13 cs.CV
Domain Adaptive Generation of Aircraft on Satellite Imagery via Simulated and Unsupervised Learning
Satrec Initiative(Satrec Initiative公司)
飞行器目标的目标检测和分类是卫星图像分析中最重要的任务。现代检测和分类方法的成功基于机器学习和深度学习。这些学习过程的关键要求之一是需要大量数据进行训练。然而,由于目标是军事行动和作战,因此飞机数量不足。针对卫星影像的特点,本文提出了一种模拟无监督的方法框架,不需要任何额外的监督或物理假设。最后,通过定性和定量分析,揭示了卫星图像分析机器学习平台数据不足的补充潜力。
2018-06-08 cs.CV
You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery
CosmiQ Works;In-Q-Tel
在大片的图像中检测小物体是卫星图像分析中的主要问题之一。虽然地面图像中的目标检测受益于对新的深度学习方法的研究,但将这种技术过渡到空中图像并非易事。挑战之一是每幅图像的像素数量和地理范围:一幅DigitalGlobe卫星图像包括64平方公里以上和2.5亿多像素。另一个挑战是,感兴趣的对象是微小的(通常只有~10个像素的范围),这使得传统的计算机视觉技术变得复杂。为了解决这些问题,我们提出了一个管道(你只看两次,或YOLT),以>0.5平方公里/秒的速率评估任意大小的卫星图像。所提出的方法可以在多个传感器上用相对较少的训练数据快速检测尺度差异很大的目标。我们在原生分辨率下评估大型测试图像,并为车辆定位产生F1 > 0.8的分数。我们通过在降低分辨率下系统地测试流水线来进一步探索分辨率和对象大小要求,并得出结论,仅约5像素大小的对象仍然可以以高置信度定位。代码可在https://github.com/CosmiQ/yolt上获得。
2018-05-24 cs.CV
Building Disaster Damage Assessment in Satellite Imagery with Multi-Temporal Fusion
Massachusetts Institue of Technology(麻省理工学院);WL Research
自动变化检测和灾害损失评估目前是需要卫星图像分析人员进行大量劳动和手工工作的程序。在自然灾害发生时,及时发现变化可以挽救生命。在这项工作中,我们报告的问题框架,数据处理和培训程序,这是特别有助于使用新发布的xBD数据集的建筑物损坏评估的任务的调查结果。我们的见解导致xBD基准模型的实质性改进,我们在xView2挑战排行榜上名列前茅。我们发布了用于比赛的代码。
2020-04-12 cs.CV
Improving Building Segmentation for Off-Nadir Satellite Imagery
Purdue University(普渡大学);Lockheed Martin Space(洛克希德·马丁太空)
建筑物的自动分割是卫星图像分析和场景理解的重要任务。大多数现有的分割方法集中在图像直接从头顶拍摄的情况下(即,低的偏离最低点/视角)。这些方法往往无法提供准确的结果与较大的偏离天底角的卫星图像,由于较高的噪声水平和较低的空间分辨率。在本文中,我们提出了一种方法,能够提供准确的建筑物分割从大范围的离天底角捕获的卫星图像。基于贝叶斯深度学习,我们明确地设计了我们的方法,通过任意和认知不确定性建模来学习数据噪声。卫星图像元数据(例如,偏离天底角和地面样本距离)也被用于我们的模型中以进一步改进结果。我们表明,与不确定性建模和元数据注入,我们的方法实现了更好的性能比基线方法,特别是从大的离天底角拍摄的噪声图像。
2021-09-08 cs.CV
Combining Transformers and CNNs for Efficient Object Detection in High-Resolution Satellite Imagery
L2TI Laboratory, Institut Galilée Université Sorbonne Paris Nord SAS Impact(L2TI实验室,Galilée研究所,巴黎十一大学SAS Impact)
提出GLOD架构,结合Swin Transformer与CNN模块处理高分辨率卫星图像,通过多尺度融合与注意力机制在xView上超越SOTA 11.46%。
2025-07-15 cs.CV
Lane Boundary Geometry Extraction from Satellite Imagery
Northwestern University(西北大学);New York University(纽约大学);HERE Company(HERE公司)
自动驾驶汽车正在成为现实,高清地图作为其关键组成部分,在市场和行业中都显示出其价值。尽管从激光雷达或立体/透视图像生成高清地图已经取得了令人印象深刻的成功,但其固有的缺陷不容忽视。在本文中,我们提出了一种基于卫星图像像素分割和形式化假设连接的公路高清地图建模新方法,该方法比现有的基于LiDAR点云和透视图的高清地图建模方法更便宜、更快,并使其成为最新技术的理想补充。我们还将高清道路模型数据集手动编码/标记为地面实况,与Bing图像服务器对齐,以训练、测试和评估我们的方法。该数据集将同时发布,以促进航空影像高清地图建模的研究。
2020-02-06 cs.CV
xBD: A Dataset for Assessing Building Damage from Satellite Imagery
Carnegie Mellon University(卡内基梅隆大学);Software Engineering Institute(软件工程研究所);Defense Innovation Unit(国防创新部门);Department of Defense(国防部);CrowdAI, Inc.(CrowdAI公司)
我们提出了xBD,一个新的,大规模的数据集,用于人道主义援助和灾难恢复研究的变化检测和建筑物损坏评估的进步。自然灾害响应需要准确了解受灾地区受损的建筑物。目前的应对战略要求在灾害发生后24-48小时内进行现场损失评估。将航空图像与计算机视觉算法相结合,以评估损害并减少对人类生命的潜在危险,这方面存在着巨大的潜力。xBD与多个灾害响应机构合作,提供各种灾害事件的事件前和事件后卫星图像,包括建筑物多边形,损坏程度的顺序标签和相应的卫星元数据。此外,数据集包含环境因素(如火、水和烟)的边界框和标签。xBD是迄今为止最大的建筑物损坏评估数据集,包含45,362 km \textsuperscript{2}图像中的850,736个建筑物注释。
2019-11-21 cs.CV
Wrivinder: Towards Spatial Intelligence for Geo-locating Ground Images onto Satellite Imagery
Mayachitra, Inc.(Mayachitra公司);Johns Hopkins University(约翰霍普金斯大学)
Wrivinder通过聚合地面影像与卫星图像,实现零样本的几何驱动定位,提供首个全面的跨视角对齐基准。
2026-10-02 cs.CV
Fast Satellite Tensorial Radiance Field for Multi-date Satellite Imagery of Large Size
Shanghai Jiao Tong University(上海交通大学)
本文提出SatensoRF,通过多尺度张量分解和全变分去噪建模大规模多日期卫星影像,在超越Sat-NeRF系列新视角合成性能的同时,显著减少参数并提升训练与推理速度。
2023-09-21 cs.CV
Generative Autoregressive Ensembles for Satellite Imagery Manipulation Detection
Video and Image Processing Laboratory(视频与图像处理实验室);School of Electrical Engineering(电气工程学院);Purdue University(普渡大学)
由于在轨商业卫星的数量不断增加,卫星图像越来越容易获取。许多应用都使用这种图像:农业管理、气象预测、自然灾害损失评估或制图就是其中的一些例子。不幸的是,这些图像可以很容易地被篡改和修改的图像操纵工具破坏下游应用程序。因为应用于图像的操纵的性质通常是未知的,所以不需要所使用的篡改技术的先验知识的无监督方法是优选的。在本文中,我们使用生成自回归模型的集合来模拟图像的像素分布,以检测潜在的操纵。我们评估所提出的方法获得准确的定位结果相比,以前提出的方法的性能。
2020-10-08 cs.CV
Deep Transfer Learning on Satellite Imagery Improves Air Quality Estimates in Developing Nations
Northeastern University(东北大学);University Space Research Association(大学空间研究协会);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心);University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校);University of British Columbia(不列颠哥伦比亚大学);Imperial College London(帝国理工学院)
城市空气污染是低收入和中等收入国家的一项公共卫生挑战。然而,低收入国家缺乏足够的空气质量监测基础设施。一个持续的挑战是我们无法准确估计LMIC城市的AQ,这阻碍了应急准备和风险缓解。基于深度学习的模型将卫星图像映射到AQ,可以为拥有充足地面数据的高收入国家(HIC)构建。在这里,我们证明了一种可扩展的方法,适应深度迁移学习的卫星图像AQ可以提取有意义的估计和见解,在LMIC城市的基础上,在HIC城市学习的时空模式。该方法是在非洲加纳的阿克拉,从美国两个城市,特别是洛杉矶和纽约的AQ模式。
2022-02-17 cs.CV
Counting Cows: Tracking Illegal Cattle Ranching From High-Resolution Satellite Imagery
Element AI;McGill University(麦吉尔大学);Oxford / FDL(牛津大学 / FDL);Global Witness(全球见证)
畜牧业占全球温室气体排放量的8.8%。除了由于消化过程而排放的甲烷外,对放牧区的日益增长的需求是森林砍伐的重要驱动力。虽然已经制定了一些保护亚马逊免受森林砍伐的法规,但这些法规正以各种方式受到蔑视,因此需要对养牛活动进行规模化和自动化监测。通过与\textit{Global Witness}的合作,我们探索了在大陆范围内从卫星图像跟踪和计数牛的可行性。在Maxar Technologies的许可下,我们获得了亚马逊40厘米分辨率的卫星图像,并编制了一个包含903张图像的数据集,共包含28498头牛。我们的实验显示了有希望的结果,并强调了计数算法和数据汇集过程中解决这些挑战的下一步的重要方向。代码可在\url{https://github.com/IssamLaradji/cownter_strike}上获得。
2020-11-14 cs.CV