Automatic Open Space Area Extraction and Change Detection from High Resolution Urban Satellite Images
Gulbarga University（古尔巴加大学）；S. V. College, Udgir（乌迪尔S.V.学院）
在本文中，我们研究了高效和可靠的自动提取算法，找出开放空间区域从高分辨率的城市卫星影像，并检测变化，从提取的开放空间区域在2003年，2006年和2008年期间。这种自动提取和变化检测算法使用了一些应用于卫星图像的滤波器，分割和分组。所得图像可用于计算总可用开放空间面积和建筑面积。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，使用历史的城市卫星图像的同一投影，这是一个重要的地理空间数据管理应用。
2011-03-25 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
Automatic satellite building construction monitoring
Moscow Institute of Physics and Technology (National Research University)（莫斯科物理技术学院（国立研究型大学））；Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；Bauman Moscow State Technical University（鲍曼莫斯科国立技术大学）
卫星图像的一个很有前途的应用是监测建筑施工。它允许控制世界各地的施工进度，即使是在难以到达的地方。这种方法的主要障碍之一是图像数据的解释。在本文中，我们采用了几种新颖的深度学习技术来解决这个问题。将各种图像分割和目标检测网络组合成一个统一的流水线，然后用它来确定建筑物的施工进度。
2022-09-29 cs.CV
An intelligent approach towards automatic shape modeling and object extraction from satellite images using cellular automata based algorithm
MANIT-Bhopal（曼尼特-博帕尔）
自动特征提取领域在过去的十年中已经见证了许多智能方法的应用，然而这些方法的检测精度受到限制，因为对象的几何形状和上下文知识没有得到足够的考虑。在本文中，我们提出了一个框架工作的准确检测功能，自动插值，并解释建模特征形状以及上下文知识，使用先进的技术，如SVRF，细胞神经网络，核心集，和MACA。已开发的方法进行了比较，与当代方法使用不同的统计措施。对各种卫星图像的调查表明，CNN的做法取得了相当大的成功。CNN在有效地对不同的复杂特征进行建模方面是有效的，并且使用紧身胸衣优化大大降低了该方法的复杂性。该系统使用CNN-Prolog方法动态地使用光谱和空间信息来表示上下文知识。该系统在提供智能插值和解释随机特征方面也被证明是有效的。
2013-03-27 cs.CV
Fully Convolutional Network for Automatic Road Extraction from Satellite Imagery
Veeva Systems（Veeva系统公司）；Level5 Engineering Center, Lyft Inc（Lyft公司Level5工程中心）；Massachusetts Institute of Technology（麻省理工学院）
高分辨率卫星图像的分析一直是交通管理、城市规划和道路监控的重要研究课题。这里的问题之一是自动和精确的道路提取。从原始图像中，由于存在其他具有直边缘的道路状特征，因此提取道路是困难的且计算昂贵的。本文提出了一种基于U-网族的全卷积神经网络的道路自动提取方法。该网络由在ImageNet上预训练的ResNet-34和从vanilla U-Net改编的解码器组成。根据验证结果、排行榜和我们自己的经验，该网络在DEEPGLOBE - CVPR 2018道路提取子挑战中显示出优异的结果。此外，该网络使用中等内存，允许仅使用一个GTX 1080或1080ti视频卡来执行整个训练并进行快速预测。
2018-06-19 cs.CV
Brightearth roads: Towards fully automatic road network extraction from satellite imagery
LuxCarta Technology（LuxCarta 科技公司）；LuxCarta South Africa（LuxCarta 南非公司）
针对现有开放道路网数据更新不及时的问题，提出从甚高分辨率卫星影像提取道路网的全自动流水线，含分割、图优化转矢量、材质分类三模块，可生成精准连通的道路线串，具备更新道路数据的潜力。
2024-06-21 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
Road Network Reconstruction from Satellite Images with Machine Learning Supported by Topological Methods
The Ohio State University（俄亥俄州立大学）
从卫星图像中自动提取道路网络是一个可以受益甚至启用新技术的目标。近年来，已经提出了将机器学习（ML）和计算机视觉相结合的方法，这些方法通过要求用户提供策划的训练样本来使任务半自动化。如果训练样本可以通过算法产生，则该过程可以完全自动化。当然，这需要一个强大的算法，可以从卫星图像可靠地重建道路网络，以便输出可以作为训练样本。在这项工作中，我们开发了这样一种技术，注入持久性指导离散莫尔斯为基础的图重建算法到ML框架。我们分两个阶段阐明我们的贡献。首先，在一个半自动的框架，我们结合了离散莫尔斯为基础的图重建算法与现有的CNN框架分割输入的卫星图像。我们表明，这导致重建具有更好的连通性和更少的噪音。接下来，在一个全自动的框架中，我们利用基于离散Morse的图重建算法的强大功能，从一组没有标记数据的图像中训练一个CNN，并使用相同的算法从经过训练的CNN创建的分割图像中产生最终输出。我们迭代地应用基于离散Morse的图重建算法来提高CNN的准确性。我们展示了这个新框架在SpaceNet Challenge数据集上的实验结果。
2019-09-15 cs.CV
Satellite-Net: Automatic Extraction of Land Cover Indicators from Satellite Imagery by Deep Learning
针对卫星影像土地覆盖分类需求，提出定制化卷积神经网络模型Satellite-Net，在测试集上准确率达98%，为土地覆盖指标自动提取提供了可行的深度学习方案。
2019-07-22 cs.CV cs.LG eess.IV
Assessing the Sharpness of Satellite Images: Study of the PlanetScope Constellation
CMLA, ENS Cachan, CNRS, Université Paris-Saclay（巴黎萨克雷大学卡尚高等师范学院法国国家科学研究中心数学与应用数学实验室）；Kayrros（凯罗斯公司）
新的微型卫星星座由于其覆盖范围广和短期重访能力，能够实现前所未有的系统监测应用。然而，它们产生的大量图像质量参差不齐，需要自动质量评估方法。在这项工作中，我们量化的清晰度的图像从PlanetScope星座估计模糊内核从每个图像。一旦估计了内核，就可以计算清晰度的绝对度量，这允许在任何进一步处理之前丢弃低质量图像并对模糊图像进行去卷积。该方法是全盲和自动的，并且由于它不需要任何卫星规格的知识，因此可以移植到其他星座。
2019-04-19 cs.CV
Segment Anything for Satellite Imagery: A Strong Baseline and a Regional Dataset for Automatic Field Delineation
University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学）；ABACO Group SpA（ABACO集团）；Institute of Informatics and Telematics, National Research Council（信息与电信研究所，国家研究 council）
本文提出基于SAM的农田边界自动勾绘流程，通过微调策略适应任务，并构建新区域数据集ERAS，实验验证了其分割精度和泛化能力，为自动勾绘提供强基线。
2025-06-23 cs.AI cs.CV
Towards Automatic Satellite Images Captions Generation Using Large Language Models
National University of Singapore（新加坡国立大学）；Nankai University（南开大学）
针对遥感图像标题数据稀缺及现有模型适配性差的问题，提出ARSIC方法，利用大型语言模型自动生成标题，并基于GIT构建基准模型，实验验证了其有效性。
2023-10-17 cs.AI cs.CV
Deep Neural Networks for automatic extraction of features in time series satellite images
许多地球观测计划，如Landsat、Sentinel、SPOT和Pleiades，每天都会产生大量的中高分辨率多光谱图像，这些图像可以按时间序列进行组织。在这项工作中，我们利用这些图像提供的时间和空间信息来生成土地覆盖图。为此，我们将完全卷积神经网络与卷积长短期记忆相结合。提出的时空神经网络架构的实施细节。实验结果表明，时间序列图像提供的时间信息可以提高土地覆盖分类的准确性，从而产生最新的地图，可以帮助确定地球上的变化。
2020-08-17 cs.CV cs.LG eess.IV
Automatic Quantification of Settlement Damage using Deep Learning of Satellite Images
SATM, Cranfield University（克兰菲尔德大学SATM（需确认SATM具体含义，此处保留英文））；Alan Turing Institute（艾伦图灵研究所）
人道主义灾难和政治暴力对我们的生存空间造成重大破坏。房屋、基础设施和生态系统的修复成本往往难以实时量化。实时量化对于为救济行动提供信息和提前规划重建工作都至关重要。在这里，我们使用世界各地的重大危机之前和之后的卫星图像来训练鲁棒的基线残差网络（ResNet）和灾害量化金字塔场景解析网络（PSPNet）。ResNet对图像质量差的情况具有鲁棒性，可以高精度地识别破坏区域（92%），而PSPNet提供了对建筑环境破坏的情境化量化，具有良好的精度（84%）。由于有多个损害维度需要考虑（例如经济损失和死亡人数），我们拟合了一个多元线性回归模型来量化整体损害。为了验证我们的深度学习和回归建模的组合系统，我们成功地将我们的预测与2020年贝鲁特港口爆炸的持续复苏相匹配。这些创新提供了更好的灾害总体规模量化，并向智能人道主义系统通报正在发生的灾害。
2020-10-12 cs.CV cs.LG
Automatic Extraction of Road Networks from Satellite Images by using Adaptive Structural Deep Belief Network
Prefectural University of Hiroshima（广岛县立大学）
在我们的研究中，限制玻尔兹曼机（RBM）和深度信念网络（DBN）的自适应结构学习方法已经发展成为一个突出的深度学习模型。RBM中的神经元生成-湮灭和DBN中的层生成算法在学习过程中对给定的输入生成最优的网络结构。在本文中，我们的模型被应用到道路网络系统的自动识别方法，称为RoadTracer。RoadTracer可以从航空照片数据生成地面上的道路图。在迭代搜索算法中，训练CNN以找到具有高检测能力的道路之间的网络图连通性。然而，该系统不仅在训练阶段而且在推理阶段都需要很长的计算时间，因此可能无法实现高精度。为了提高精度和计算时间，我们的自适应DBN是在RoadTracer上实现的，而不是在CNN上。我们开发的模型的性能进行了评估的卫星图像在郊区，日本。实验结果表明，与传统的CNN相比，自适应DBN不仅在检测精度上有优势，而且在推理时间上也有优势。
2021-10-25 cs.CV cs.NE
Measuring Human and Economic Activity from Satellite Imagery to Support City-Scale Decision-Making during COVID-19 Pandemic
Universidade Tecnológica Federal do Paraná（巴拉那联邦理工大学）；University of South Florida（南佛罗里达大学）
COVID-19爆发迫使世界各国政府实施封锁和隔离，以防止病毒传播。因此，全球各地的人类和经济活动都受到干扰。预计恢复过程也将是艰难的。经济活动影响社会行为，这些行为在卫星图像中留下可以自动检测和分类的特征。卫星图像可以通过提供对正在发生的经济变化的不同的可见度来支持分析人员和政策制定者的决策。在这项工作中，我们使用了一种深度学习方法，该方法将战略位置采样和轻量级卷积神经网络（CNN）集成在一起，以识别卫星图像中的特定元素，这些元素可用于自动计算基于它的经济指标。这个CNN集成框架在美国国防部xView挑战赛中排名第三，xView挑战赛是卫星图像中目标检测的最先进基准。我们展示了我们的框架使用美国IARPA世界功能图（fMoW）数据集进行时间分析的潜力。我们还展示了COVID-19爆发前后不同地点的真实示例结果，以说明不同的可衡量指标。我们的代码和疫情爆发前后的高分辨率空中场景可在GitHub上获得（https：//github.com/maups/covid19-satellite-analysis）。
2020-11-12 cs.CV
Stage 4 validation of the Satellite Image Automatic Mapper lightweight computer program for Earth observation Level 2 product generation, Part 1 Theory
University of Naples Federico II（那不勒斯费德里科二世大学）；University of Maryland（马里兰大学）；University of Salzburg（萨尔茨堡大学）
欧洲航天局（ESA）将地球观测（EO）2级产品定义为针对几何、大气、邻接和地形效应进行校正的多光谱（MS）图像，并与场景分类图（SCM）叠加，其图例包括云和云阴影等质量层。欧空局的EO 2级产品从来没有在地面部分系统地产生过。为了填补从EO大数据到ESA EO 2级产品的信息空白，通过独立方式对年度网络陆地卫星数据（WELD）图像合成时间进行了卫星图像自动制图器（SIAM）轻量级计算机程序的原始第4阶段验证（Val）-SIAM的核心是一个基于先验知识的决策树，用于MS反射空间超多面体化为静态颜色名称，近年来在文献中提出。为了便于阅读，本文分为两部分。本第一部分理论提供了认知科学中先验颜色命名的多学科背景，从语言学到计算机视觉。为了应付字典MS颜色名称和土地覆盖类名称不一致，必须协调，提出了一个原始的混合指南，以确定一个分类变量对关系。一个原始的定量措施的分类变量对关联也提出了。随后的第2部分验证讨论了第4阶段验证结果，这些结果是通过原始方案收集的，用于墙到墙专题地图质量评估，而不进行抽样，其中测试和参考地图图例可能不同。结论是，SIAM-WELD地图实例化的2级SCM产品，其图例是粮农组织土地覆盖分类系统的4级分类法，处于二分阶段1级植被/非植被和2级陆生/水生。
2017-01-08 cs.CV
Stage 4 validation of the Satellite Image Automatic Mapper lightweight computer program for Earth observation Level 2 product generation, Part 2 Validation
University of Naples Federico II（那不勒斯费德里科二世大学）；University of Maryland（马里兰大学）；University of Salzburg（萨尔茨堡大学）
欧洲航天局（ESA）将地球观测（EO）2级产品定义为针对几何、大气、邻接和地形效应进行校正的多光谱（MS）图像，并与其场景分类图（SCM）堆叠在一起，场景分类图的图例包括云和云阴影等质量层。欧空局的EO 2级产品从来没有在地面部分系统地产生过。为了有助于填补从EO大传感器数据到ESA EO 2级产品的信息空白，通过独立的方法对用于基于先验知识的MS颜色命名的现成卫星图像自动制图器（SIAM）轻量级计算机程序进行了第4阶段验证（Val）。一个时间序列的年度网络启用陆地卫星数据（WELD）图像合成的美国（CONUS）被选为输入数据集。通过与美国国家土地覆盖数据（NLCD）2006年地图的比较，对美国大陆的年度SIAM WELD地图进行了验证。这些测试地图和参考地图具有相同的空间分辨率和空间范围，但它们的地图图例不同，必须统一。为了便于阅读，本文分为两部分。先前的第一部分理论提供了先验颜色命名的多学科背景。本第2部分确认介绍并讨论了通过原始方案从测试SIAM WELD地图时间序列和参考NLCD地图中收集的第4阶段确认结果，用于墙到墙专题地图质量评估，无需采样，其中测试和参考地图图例可能与第1部分一致。结论是，SIAM-WELD地图实例化的2级SCM产品，其图例是粮农组织土地覆盖分类系统（LCCS）分类在二分阶段（DP）1级植被/非植被，2级陆地/水生或高级LCCS水平。
2017-01-08 cs.CV
Weakly Supervised Semantic Segmentation of Satellite Images for Land Cover Mapping -- Challenges and Opportunities
Technical University of Munich（慕尼黑工业大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））
全自动大比例尺土地覆盖制图属于遥感界所面临的核心挑战。通常，该任务的基础由（监督的）机器学习模型形成。然而，尽管最近卫星观测的可利用性有所增加，但准确的训练数据仍然非常缺乏。另一方面，有许多全球土地覆被产品，而且往往可以免费获得。不幸的是，这些地图的分辨率通常比现代卫星图像低得多。此外，它们总是带有大量的噪声，因为它们不能被认为是地面实况，而是以前（半）自动预测任务的产物。因此，本文试图使弱监督学习策略的应用，以获得最大的可用数据源，并在高分辨率的大规模土地覆盖制图取得进展的情况下。基于SEN 12 MS数据集讨论了挑战和机遇，并显示了一些基线结果。这些基线表明，仍有很大的潜力，可以采取专门的办法来处理遥感特有的监督薄弱形式。
2020-04-28 cs.CV
DeepSatData: Building large scale datasets of satellite images for training machine learning models
Imperial College London（伦敦帝国理工学院）
本报告介绍了自动生成用于训练机器学习模型的卫星图像数据集的设计考虑因素，重点放在密集分类任务上，例如语义分割。所提出的实现利用了免费提供的Sentinel-2数据，该数据允许生成训练深度神经网络所需的大规模数据集。我们讨论了从深度神经网络训练和评估的角度所面临的问题，例如检查地面真实数据的质量并评论该方法的可扩展性。www.example.com中提供了随附代码。
2021-05-06 cs.CV
Satellite Image Semantic Segmentation
CNRS（法国国家科学研究中心）；LIRIS - INSA Lyon（里昂国立应用科学学院LIRIS实验室）；Ubisoft（育碧公司）
本文提出了一种将卫星图像自动语义分割为六类（疏林、密林、沼泽、草本层、建筑物和道路）的方法。我们依赖于Swin Transformer架构，并从IGN开放数据中构建数据集。我们报告了该数据集的定量和定性分割结果，并讨论了优势和局限性。数据集和训练的模型是公开的。
2021-10-12 cs.CV cs.GR
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
Habitat classification from satellite observations with sparse annotations
Finnish Environment Institute（芬兰环境研究所）；Metsähallitus, National Parks（芬兰林业管理局国家公园）
与实地调查相比，遥感使大面积监测更容易，特别是如果遥感数据可以自动分析，则有利于生境保护。监测的一个重要方面是对监测地区的生境类型进行分类和绘图。自动分类是一项困难的任务，因为类具有细粒度的差异，并且它们的分布是长尾和不平衡的。通常，用于自动土地覆盖分类的训练数据依赖于完全注释的分割图，从遥感图像注释到相当高级别的分类，即，类，如森林，农田，或城市地区。自动生境分类的一个挑战是，可靠的数据注释需要实地调查。因此，完整的分割图的产生是昂贵的，并且训练数据通常是稀疏的、点状的，并且限于步行可到达的区域。需要更有效地利用这些有限数据的方法。我们解决这些问题，提出了一种栖息地分类和映射的方法，并应用这种方法将整个芬兰北部拉普兰地区的Natura2000类。该方法的特点是使用细粒度的，稀疏的，单像素的注释从现场收集，结合大量的未注释的数据，以产生分割图。比较了有监督、无监督和半监督方法，并展示了从更大的域外数据集进行迁移学习的好处。我们提出了一个\ac{CNN}偏向于中心像素分类集成的随机森林分类器，产生更高的质量分类比模型本身单独。我们表明，裁剪增强，测试时增强和半监督学习可以帮助分类，甚至进一步。
2022-09-26 cs.CV
Automatic Detection of Natural Disaster Effect on Paddy Field from Satellite Images using Deep Learning Techniques
Center for Computational & Data Sciences (CCDS)（计算与数据科学中心（CCDS））；Independent University, Bangladesh（孟加拉国独立大学）
本文利用高分辨率卫星图像和DeepLabV3plus模型检测孟加拉国稻田灾害损失，发现FCI波段IoU达0.51优于RGB的0.41，并开发了可用于高分辨率RGB图像分割的真实数据。
2023-04-02 cs.CV cs.LG
Evolving Spatially Aggregated Features from Satellite Imagery for Regional Modeling
University of Vermont（佛蒙特大学）
卫星图像和遥感以相对较高的分辨率为地理空间现象建模提供了解释变量，但区域摘要往往是分析和可采取行动的洞察力所需要的。在本文中，我们提出了一种新的方法，诱导空间聚合作为机器学习过程的一个组成部分，产生区域模型的功能，其建设是由模型预测性能，而不是事先假设驱动。我们的研究结果表明，遗传编程特别适合这种类型的特征构建，因为它可以自动合成适当的聚合，并且与我们测试的其他回归方法相比，它可以更好地将它们纳入预测模型。在我们的实验中，我们考虑了一个特定的问题实例和真实世界的数据集相关的预测在高山亚洲雪的属性。
2017-12-14 cs.CV cs.NE stat.ML
Performance Analysis of Various EfficientNet Based U-Net++ Architecture for Automatic Building Extraction from High Resolution Satellite Images
Military Institute of Science and Technology (MIST)（军事科学技术学院（MIST））
本研究提出基于EfficientNet骨干的U-Net++网络，通过深度监督和重设计的跳跃连接提升高分辨率卫星图像建筑提取精度，在Massachusetts数据集上平均准确率92.23%，平均IoU 88.32%，优于现有方法。
2023-09-05 cs.CV cs.LG eess.IV
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
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
RS-YOLOX: A High Precision Detector for Object Detection in Satellite Remote Sensing Images
School of Information Science and Engineering, Yunnan University（云南大学信息科学与工程学院）；Yunnan Key Laboratory of Intelligent Systems and Computing（云南省智能系统与计算重点实验室）
本文提出RS-YOLOX模型，通过引入ECA注意力、ASFF特征融合和Varifocal Loss，并结合SAHI框架，在多个遥感数据集上实现了高精度目标检测。
2025-02-05 cs.CV
An Attention-Based System for Damage Assessment Using Satellite Imagery
Purdue University（普渡大学）；Lockheed Martin Space（洛克希德·马丁太空公司）
当灾难发生时，准确的情况信息和快速有效的反应对于拯救生命至关重要。广泛可用的高分辨率卫星图像使应急响应人员能够估计损坏的位置，原因和严重程度。然而，快速准确地分析大量可用的卫星图像需要自动方法。在本文中，我们提出了Siam-U-Net-Attn模型-一种具有注意力机制的多类深度学习模型-来评估建筑物的损坏程度，给出了一对描绘灾难前后场景的卫星图像。我们评估所提出的方法在xView 2，一个大规模的建筑物损坏评估数据集，并证明所提出的方法实现准确的损坏规模分类和建筑物分割结果的同时。
2020-04-14 cs.CV
Object Detection of Satellite Images Using Multi-Channel Higher-order Local Autocorrelation
National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）
地球观测卫星长期以来一直在监测地球表面，卫星拍摄的图像包含了大量有价值的数据。然而，手动分析如此庞大的数据是非常困难的工作。因此，需要对卫星图像进行自动目标检测的方法，以促进有效的数据分析。本文介绍了一种新的图像特征，从高阶局部自相关扩展到多光谱卫星图像的目标检测。该功能已被扩展到提取光谱的相互关系，除了空间关系，以充分利用多光谱信息。与目标检测任务的实验结果进行了评估的有效性所提出的功能扩展表明，该功能实现了更高的性能相比，现有的方法。
2017-07-28 cs.CV
Automatic Data Registration of Geostationary Payloads for Meteorological Applications at ISRO
Indian Institute of Information Technology (IIIT)（印度信息技术学院）
2002年发射的KALPANA-1号卫星预示着建立了用于气象预测的本国业务有效载荷。2003年，随着INSAT-3A卫星的发射，这一点得到进一步加强。随后于2004年开始使用从这两颗卫星的数据生成产品的软件，并于2006年1月在新德里的印度气象局安装了该软件。配准是遥感数据生成几乎所有数据产品的最基本操作之一。由于在采集过程中不可避免的辐射和几何失真，配准是一项具有挑战性的任务。此外，云的存在使问题更加复杂。在本文中，我们提出了一种算法的多时相和多波段注册。此外，还为INSAT-3A的CCD数据生成了印度面临的参考边界。完整的实现由以下步骤组成：1）自动识别感测数据中的地面控制点（GCPs），2）基于匹配点找到最佳转换模型，以及3）将转换后的图像重新定位到参考坐标。该算法使用KALPANA-1和INSAT-3A的真实数据集进行了验证。KALAPANA-1号和INSAT-3A号最近都因缺乏燃料而退役，但是，从这两颗卫星上获得的经验已经产生了一系列气象卫星和相关软件，如INSAT-3D系列，为该国提供连续的天气预报。本文并没有太多的重点放在理论上（广泛存在于文献中），而是集中在操作软件的实现上。
2018-05-17 cs.CE cs.CV
An enhanced neural network based approach towards object extraction
National Institute of Technology, India（印度国家技术学院）
卫星图像光谱和空间分辨率的提高促进了从卫星图像和航空照片中自动提取和识别特征。提出了一种自动目标提取方法，用于从卫星图像中提取和识别各种目标，并针对IRS卫星图像验证了该系统的准确性。该系统以神经网络为基础，模拟遥感图像的目视解译过程，提高了图像分析的效率。该方法获得了各种特征的基本特征，并通过自动学习方法、智能解释和智能插值来提高性能。该方法的主要优点是其简单，系统识别的特征不仅基于像素值，而且基于形状，haralick特征等的对象。此外，该系统允许基于大小和形状来识别相同类别内的特征的灵活性。该系统的成功应用验证了其有效性，并通过地面实况验证对系统的精度进行了评估。
2014-02-05 cs.CV cs.LG cs.NE
Building Footprint Generation Using Improved Generative Adversarial Networks
建筑物足迹信息是城市模型三维重建的重要组成部分。由于建筑物形状的复杂性，从卫星图像自动生成建筑物足迹提出了相当大的挑战。在这项工作中，我们提出了改进的生成对抗网络（GANs），用于从卫星图像中自动生成建筑物足迹。我们使用了一个条件GAN，其代价函数来自Wasserstein距离，并添加了梯度惩罚项。实验结果表明，与条件生成对抗网络、U-Net和其他网络相比，该方法可以显著提高建筑物足迹生成的质量。此外，我们的方法几乎消除了所有的超参数调整。
2018-10-26 cs.CV
Segmentation of Satellite Imagery using U-Net Models for Land Cover Classification
Tallinn University of Technology（塔林理工大学）；University of Oxford（牛津大学）
本文的重点是使用一个卷积机器学习模型与修改的U-Net结构创建基于卫星图像的土地覆盖分类映射。研究的目的是训练和测试卷积模型自动土地覆盖制图，并评估其可用性，提高土地覆盖制图的精度和变化检测。为了解决这些任务，作者准备了一个数据集和训练的机器学习模型，用于从卫星图像中进行土地覆盖分类和语义分割。结果分析了三个不同的土地分类水平。BigEarthNet卫星图像档案被选为研究的两个主要数据集之一。这一新的数据集于2019年发布，包括2017年和2018年拍摄的来自10个欧洲国家的Sentinel-2卫星照片。作为第二个数据集，作者组成了一个原始集，其中包含一个哨兵-2图像和一个CORINE爱沙尼亚土地覆盖图。开发的分类模型显示了高的整体F \textsubscript{1}得分为0.749多类土地覆盖分类与43个可能的图像标签。该模型还突出显示了BigEarthNet数据集中的噪声数据，其中图像似乎具有不正确的标签。分割模型提供了一种基于Sentinel-2卫星图像生成自动土地覆盖映射的解决方案，并显示了森林，内陆水域和耕地等土地覆盖类别的高IoU得分。这些模型显示出提高现有土地分类图和土地覆盖变化检测的准确性的能力。
2020-03-05 cs.CV cs.CY
Learning Multi-Scale Deep Features for High-Resolution Satellite Image Classification
Nanjing University of Information Science and Technology（南京信息工程大学）
本文提出了一种多尺度深度特征学习的高分辨率卫星图像分类方法。具体来说，我们首先将原始卫星图像变形到多个不同的尺度。每个尺度下的图像用于训练深度卷积神经网络（DCNN）。然而，同时训练多个DCNN是耗时的。为了解决这个问题，我们使用空间金字塔池化（SPP-net）来探索DCNN。由于不同的SPP网络具有相同数量的参数，这些参数共享相同的初始值，并且只有在完全连接的层中微调参数才能确保每个网络的有效性，从而大大加快训练过程。然后，将多尺度卫星图像分别输入到其对应的SPP网络中，以提取多尺度深度特征。最后，开发了一种多核学习方法来自动学习这些特征的最佳组合。在两个困难数据集上的实验表明，该方法取得了良好的性能相比，其他国家的最先进的方法。
2016-11-11 cs.CV
Generating the Cloud Motion Winds Field from Satellite Cloud Imagery Using Deep Learning Approach
Chongqing University of Technology（重庆理工大学）
云动风（CMW）通常通过跟踪地球同步卫星红外云图中的特征来获得。本文探索基于数据驱动的深度学习方法的云运动风场算法，区别于传统手工特征跟踪和相关匹配算法，采用深度学习模型自动学习运动特征表示，直接输出云运动风场。此外，我们提出了一种新的大规模云运动风数据集（CMWD）用于训练深度学习模型。我们也尝试使用单一的云图来预测云运动风场在一个固定的区域，这是不可能实现使用传统的算法。实验结果表明，该算法可以有效地预测云运动风场，即使是一个单一的云图作为输入。
2021-05-30 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
LandCover.ai: Dataset for Automatic Mapping of Buildings, Woodlands, Water and Roads from Aerial Imagery
Linux Polska（波兰Linux公司）；University of Warsaw（华沙大学）；Agency for Restructuring and Modernisation of Agriculture（农业结构调整与现代化署）
对土地覆盖和土地使用的监测在自然资源管理中至关重要。自动视觉制图在农业、林业或公共管理方面具有巨大的经济价值。卫星或航空图像与计算机视觉和深度学习相结合，可以实现精确的评估，并可以显着加快变化检测。航空图像通常提供比卫星数据高得多的像素分辨率的图像，从而可以进行更详细的测绘。然而，仍然缺乏用于分割的航空数据集，覆盖农村地区，分辨率为每像素数十厘米，手动精细标签，以及高度公共重要的环境实例，如建筑物，森林，水或道路。在这里，我们介绍了LandCover.ai（航空影像土地覆盖）数据集的语义分割。我们收集了216.27平方英尺的图像。波兰是一个中欧国家，农村面积39.51平方公里。公里的分辨率为50厘米每像素和176.76平方米。km，分辨率为每像素25 cm，手动精细注释以下四类对象：建筑物、林地、水和道路。此外，我们报告了简单的基准测试结果，在测试集上实现了85.56%的平均交集。它证明了土地覆盖的自动制图是可能的，相对较小的，具有成本效益的，仅RGB数据集。该数据集可在https://landcover.ai.linuxpolska.com/上公开获取
2022-04-21 cs.CV
Automatic Building Extraction in Aerial Scenes Using Convolutional Networks
Oak Ridge National Laboratory（橡树岭国家实验室）
由于建筑物外观变化非常大，从航空和卫星图像中自动提取建筑物具有很大的挑战性。为了解决这个问题，我们设计了一个卷积网络，它的最后一级集成了来自多个前级的激活，用于像素级预测，并引入了建筑边界的符号距离函数作为输出表示，它具有增强的表示能力。我们充分利用地理信息系统（GIS）提供的丰富的建筑物足迹数据来编译训练数据。经过训练的网络在比先前工作中使用的数据集更大、更复杂的数据集上实现了卓越的性能，表明所提出的方法为自动化这项劳动密集型任务提供了一种有前途的可扩展解决方案。
2016-02-21 cs.CV
Updating Street Maps using Changes Detected in Satellite Imagery
Qatar Computing Research Institute（卡塔尔计算研究所）
准确维护数字街道地图是劳动密集型的。为了应对这一挑战，许多工作都研究了自动处理地理空间数据源，如GPS轨迹和卫星图像，以降低维护数字地图的成本。端到端地图更新系统首先处理地理空间数据源以提取见解，然后利用这些见解来更新和改进地图。然而，先前的工作主要集中在这个管道的第一步：这些地图提取方法从给定的地理空间数据源从头开始推断道路网络（实际上创建全新的地图），但没有解决利用此提取的信息来更新现有数字地图数据的第二步。在本文中，我们首先解释了为什么当前的地图提取技术在扩展到更新现有地图时精度较低。然后，我们提出了一种新的方法，利用卫星图像随着时间的推移，以大大提高准确性的进展。我们的方法首先比较在不同时间拍摄的卫星图像，以识别物理道路网络中发生明显变化的部分，然后相应地更新现有地图。我们表明，我们的变化为基础的方法减少地图更新出错率四倍。
2021-10-13 cs.CV
A Visual-Analytical Approach for Automatic Detection of Cyclonic Events in Satellite Observations
Indian Institute of Science（印度科学学院）；BITS Pilani Goa（BITS Pilani果阿校区）；SAC, ISRO（印度空间研究组织卫星中心）
本研究提出一种基于图像的数据驱动两阶段方法，用于北印度洋热带气旋的自动检测与强度估计，相比传统物理模拟显著提升了预测速度与准确性。
2024-09-25 cs.CV cs.LG eess.IV
Detecting Hardly Visible Roads in Low-Resolution Satellite Time Series Data
University of Copenhagen（哥本哈根大学）
随着时间的推移，已经收集了大量的卫星数据，有可能揭示地球表面的时空编年史。这些数据使科学家能够在全球范围内调查各种重要问题，如土地利用变化。然而，并非所有的土地使用现象在卫星图像上都同样可见。特别是，尽管对分析城市化模式及其影响至关重要，但创建全球道路基础设施清单仍然是一项挑战。为此，这项工作推进了基于开放卫星数据的自动识别道路的数据驱动方法。考虑到这些历史卫星数据的典型分辨率，我们观察到不同道路类型的能见度存在固有的变化。基于这一观察，我们提出了两个深度学习框架，通过将道路检测形式化为有序分类任务来扩展最先进的深度学习方法。与相关方案相比，这两个模型中的一个还采用了卫星时间序列数据，这些数据可能会受到数据缺失和云遮挡的影响。考虑到这些时间序列数据，无需手动管理高质量图像块的数据集，从而大大简化了此类模型在全球范围内的应用。我们评估我们的方法的数据集，是基于哨兵2卫星图像和OpenStreetMap矢量数据。我们的研究结果表明，所提出的模型可以成功地识别大中型道路。我们还讨论了全球范围内与道路和其他基础设施检测相关的机遇和挑战。
2019-12-04 cs.CV cs.LG eess.IV
Machine-learned 3D Building Vectorization from Satellite Imagery
German Aerospace Center (DLR)（德国航空航天中心）；Graz University of Technology（格拉茨技术大学）
提出了一种基于机器学习的建筑物三维重建和矢量化方法。以单通道摄影测量数字表面模型（DSM）和全色（PAN）图像作为输入，首先过滤掉非建筑物对象，并使用条件生成对抗网络（cGAN）对输入DSM的建筑物形状进行细化。然后通过语义分割网络使用细化的DSM和输入的PAN图像来检测建筑物屋顶的边缘和拐角。随后，提出了一套矢量化算法来构建屋顶多边形。最后，将来自细化DSM的高度信息添加到多边形中，以获得完全矢量化的细节级别（LoD）-2建筑模型。我们验证了我们的方法在大规模卫星图像上的有效性，在那里我们获得了最先进的性能。
2021-04-13 cs.CV 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
SatImNet: Structured and Harmonised Training Data for Enhanced Satellite Imagery Classification
European Commission, Joint Research Centre (JRC)（欧盟委员会联合研究中心）；Czech Technical University in Prague（布拉格捷克理工大学）
具有复杂建模（例如深度神经网络）的自动监督分类需要代表性训练数据集的可用性。虽然存在大量可用于此目的的数据集，但它们通常非常异构，无法互操作。在这种情况下，目前的工作有两个目标：i）描述程序的开放源训练数据管理，集成和数据检索，和ii）演示的实际使用不同的源训练数据遥感图像分类。对于前者，我们提出了SatImNet，一个开放的训练数据的集合，根据特定的规则进行结构化和协调。对于后者，设计和配置了两种基于卷积神经网络的建模方法，用于处理卫星图像分类和分割。
2020-11-03 cs.CV cs.LG
Single Image Super-resolution with a Switch Guided Hybrid Network for Satellite Images
Indian Institute of Science（印度科学学院）
卫星图像的主要缺点是分辨率低，分辨率低使得难以识别卫星图像中存在的对象。我们已经在SpaceNet数据集上试验了几种可用于单图像超分辨率的深度模型，并评估了每个模型在卫星图像数据上的性能。我们将深入研究过去几年SISR背景下深度模型的最新演变，并将对这些模型进行比较研究。一个区域的整个卫星图像被分成大小相等的块。每个贴片将单独用于训练。这些补丁将在性质上有所不同。例如，城市地区的斑块由于车辆、建筑物、道路等不同类型的物体而具有非均匀的背景。另一方面，丛林上的斑块在性质上更加均匀。因此，不同的深度模型将适合不同类型的补丁。在这项研究中，我们将尝试在开关卷积网络的帮助下进一步探索这一点。这个想法是训练一个开关分类器，将自动分类补丁到一个类别的模型最适合它。
2020-11-29 cs.CV eess.IV
Anomaly detection for the identification of volcanic unrest in satellite imagery
University of Bristol（布里斯托尔大学）；School of Earth Sciences（地球科学学院）
本文提出基于PaDiM的无监督深度学习框架，通过加权距离和预处理方法在卫星图像中识别火山形变异常，并在五座火山上验证了其优于监督学习的性能。
2024-05-28 cs.CV eess.IV
PaRK-Detect: Towards Efficient Multi-Task Satellite Imagery Road Extraction via Patch-Wise Keypoints Detection
从卫星图像中自动提取道路是遥感领域中一项基本而又具有挑战性的计算机视觉任务。基于像素的语义分割方法和基于图的方法是两种流行的方案。然而，现有的工作表明，基于语义分割的方法产生低连通性的道路图，而基于图的方法与迭代探索范式和较小的感受野更侧重于本地信息，也是耗时的不完善之处。在本文中，我们提出了一种新的多任务卫星图像道路提取方案，Patch-wise道路关键点检测（PaRK-Detect）。该框架基于D-LinkNet架构，采用关键点检测的结构，通过预测道路关键点的位置以及它们之间的相邻关系来构建道路图。同时，多任务框架还执行逐像素语义分割并生成道路分割掩模。我们对DeepGlobe、Massachusetts Roads和RoadTracer数据集上现有的最先进方法进行了评估，并取得了有竞争力或更好的结果。我们还证明了相当的推理速度方面的表现。
2023-02-26 cs.CV
Road Segmentation in SAR Satellite Images with Deep Fully-Convolutional Neural Networks
German Aerospace Center (DLR)（德国航空航天中心（DLR））
遥感广泛用于制图。随着交通网络的发展和变化，从卫星图像中自动提取道路对于保持地图最新至关重要。合成孔径雷达卫星可以提供高分辨率的地形图。然而，道路很难在这些数据中识别，因为它们在视觉上与河流和铁路等目标相似。大多数合成孔径雷达图像上的道路提取方法仍然依赖于由经典计算机视觉算法执行的先验分割。很少有研究深度学习技术的潜力，尽管它们成功地应用于光学图像。这封信提出了一个评估的全卷积神经网络的道路分割的SAR图像。我们研究了早期和国家的最先进的网络的相对性能后，仔细提高其对薄对象的敏感性，通过添加空间容差规则。我们的模型显示出令人鼓舞的结果，成功地提取了我们测试数据集中的大部分道路。这表明，尽管全卷积神经网络本身缺乏道路分割的效率，但如果适当调整，它们能够获得良好的结果。由于分割质量不能随着网络深度的增加而很好地扩展，因此用于道路提取的专用架构的设计应该产生更好的性能。
2018-08-16 cs.CV
Robust RPC Bundle Adjustment for Multi-Date Satellite Imagery with Season-Invariant Correspondences
Eurecat（欧洲电信技术研究中心）；Universidad de la República（乌拉圭共和国大学）；AMIAD；Institut Universitaire de France（法国大学研究院）；Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；ENS Paris-Saclay（巴黎萨克雷高等师范学校）；Centre Borelli（博雷利中心）
该研究针对多日期卫星图像的RPC优化问题，提出结合季节不变对应关系的鲁棒RPC光束平差流程，在WorldView-3图像实验中优于开源基线，可更高效利用多日期卫星图像。
2026-07-30 cs.CV
Eye in the Sky: Detection and Compliance Monitoring of Brick Kilns using Satellite Imagery
本研究针对印度河-恒河平原砖窑无序、违规难检测的问题，提出基于Google Maps卫星图像和YOLOv8x的可扩展框架，新发现19579座砖窑并自动检测政策合规性，为政府监管提供工具。
2024-09-16 cs.CV
Inferring and Improving Street Maps with Data-Driven Automation
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Qatar Computer Research Institute（卡塔尔计算机研究所）
街道地图是一个重要的数据源，有助于为各种决策提供信息，从城市导航到救灾和城市规划。然而，在世界许多地方，街道地图不完整或落后于新的建设。如今，编辑地图涉及手动跟踪和注释道路、建筑物和其他地图要素的繁琐过程。在过去的十年中，已经提出了许多自动地图推理系统，以从卫星图像、航空图像和GPS轨迹数据集中自动提取街道地图数据。然而，由于两个关键限制，自动地图推断在实践中未能获得牵引力：高出错率（低精度），这体现在嘈杂的推断输出中，以及缺乏端到端系统设计来利用推断的数据更新现有的街道地图。在麻省理工学院和QCRI，我们已经开发了一些算法和方法来解决这些挑战，我们将其组合成一个新的系统，我们称之为Mapster。Mapster是一个人在回路的街道地图编辑系统，它包含三个组件，以强大地加速传统工具和工作流程的映射过程：高精度自动地图推理，数据细化和机器辅助地图编辑。通过对40个城市的大规模数据集（包括卫星图像、GPS轨迹和地面实况地图数据）的评估，我们表明Mapster使地图编辑自动化变得实用，并以更低的成本管理更完整和最新的地图数据集。
2019-11-06 cs.CV
Physics Driven Image Simulation from Commercial Satellite Imagery
Vision Systems Inc.（视觉系统公司）；Air Force Research Lab（空军研究实验室）
本研究提出一种利用商业卫星图像自动构建物理逼真3D场景的方法，无需激光雷达，通过数字表面模型建模几何、材质和动态元素，以提高模拟保真度并减少人工干预。
2025-04-21 cs.CV
