Mask Conditional Synthetic Satellite Imagery
Institute for Applied Computational Science, Harvard University(哈佛大学应用计算科学研究所);Microsoft AI for Good Research Lab(微软人工智能向善研究实验室)
在本文中,我们提出了一个掩模条件下的合成图像生成模型,用于创建合成卫星图像数据集。给定一个真实的高分辨率图像和伴随的土地覆盖掩模的数据集,我们表明,这是可能的训练上游条件合成图像生成器,使用该生成器创建合成图像与土地覆盖掩模,然后训练合成图像和土地覆盖掩模,实现类似的测试性能的模型,与真实的图像训练的下游模型。此外,我们发现,将真实图像和合成图像的混合物作为一种数据增强方法,产生比仅使用真实图像更好的模型(0.5834与0.5235 mIoU)。最后,我们发现,鼓励多样性的上游模型的输出是一个必要的组成部分,以提高下游任务的性能。我们已经在GitHub上发布了复制我们工作的代码,请参阅https://github.com/ms-synthetic-satellite-image/synthetic-satellite-imagery。
2023-02-08 cs.CV cs.LG
Using satellite imagery to understand and promote sustainable development
Stanford University(斯坦福大学);National Bureau of Economic Research(国家经济研究局);AtlasAI(AtlasAI公司)
对一系列可持续发展成果进行准确和全面的衡量是对研究和政策的基本投入。我们综合了越来越多的文献,使用卫星图像来理解这些结果,重点是图像与机器学习相结合的方法。我们量化了与人类相关的关键结果的地面数据的缺乏以及卫星图像的日益丰富和分辨率(空间,时间和光谱)。然后,我们回顾了最近的机器学习方法,以在稀缺和嘈杂的训练数据的背景下建立模型,强调这种噪音往往会导致模型的预测性能的不正确的评估。我们量化了多个可持续发展领域的最新模型性能,讨论了研究和政策应用,探讨了未来进展的制约因素,并强调了该领域的关键研究方向。
2020-09-23 cs.CV cs.CY cs.LG
K-means Enhanced Density Gradient Analysis for Urban and Transport Metrics Using Multi-Modal Satellite Imagery
WSB Merito University(WSB Merito大学);NexRI Laboratory for Artificial Intelligence(NexRI人工智能实验室)
本文提出一种结合光学与SAR卫星数据的新型计算方法,通过K-means增强密度梯度分析评估城市指标,计算α和LD指标,识别城市中心与区域变异,为公共交通规划提供经济高效的分析工具。
2025-04-15 cs.CV cs.LG eess.IV
Unsupervised Urban Tree Biodiversity Mapping from Street-Level Imagery Using Spatially-Aware Visual Clustering
针对城市树木生物多样性监测成本高、监督式AI泛化差的问题,提出结合街景图像视觉嵌入与空间种植模式的无监督聚类框架,在北美8城验证能高保真恢复属级多样性,为低成本制图提供新方法。
2025-08-24 cs.CV cs.LG
Unsupervised Denoising for Satellite Imagery using Wavelet Subband CycleGAN
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Korea Aerospace Research Institute (KARI)(韩国航空宇宙研究院)
多光谱卫星成像传感器获取各种光谱波段的图像,如红色(R),绿色(G),蓝色(B),近红外(N)等。由于每个光谱波段与地面上的对象的独特光谱特性,多光谱卫星图像可以用于各种地质调查应用。然而,由于传感器噪声引起的图像伪影往往会影响场景的质量,对卫星图像的应用产生负面影响。最近,深度学习方法被广泛探索用于去除卫星图像中的噪声。然而,大多数深度学习去噪方法都遵循监督学习方案,这需要匹配的噪声图像和干净图像对,而这些图像对在实际情况下很难收集。在本文中,我们提出了一种新的无监督的多光谱去噪方法的卫星图像小波子带周期一致性对抗网络(WavCycleGAN)。该方法基于无监督学习方案,使用对抗性损失和循环一致性损失来克服配对数据的缺乏。此外,与标准图像域cycleGAN相比,我们引入了一个小波子带域学习方案,用于有效的去噪,而不牺牲高频分量,如边缘和细节信息。对卫星图像中垂直条纹和波浪噪声的去除实验结果表明,该方法能有效去除噪声,并保留了卫星图像的重要高频特征。
2020-02-23 cs.CV cs.LG eess.IV
Building Damage Detection in Satellite Imagery Using Convolutional Neural Networks
Google AI(谷歌人工智能);UN World Food Programme(联合国世界粮食计划署)
在从地震到武装冲突的所有类型的灾害中,援助工作者都需要准确和及时的数据,如建筑物损坏和人口流离失所,以便采取有效的应对措施。遥感以前所未有的规模提供这一数据,但从卫星图像中提取可操作的信息是缓慢和劳动密集型的。在这项工作中,我们使用机器学习来自动检测卫星图像中的建筑物损坏。我们比较了四种不同的卷积神经网络模型在2010年海地地震中检测受损建筑物的性能。我们还通过对不同灾害事件的模型进行训练和测试,量化了模型在未来灾害中的泛化能力。
2019-10-14 cs.CV cs.LG eess.IV
House Price Prediction using Satellite Imagery
Stanford University(斯坦福大学)
在本文中,我们展示了如何使用卫星图像可以提高住房价格估计模型的准确性。使用洛杉矶县的财产评估数据集,通过从ImageNet上预训练的Inception-v3模型中转移学习,与仅使用房屋非图像特征的两个基线模型相比,我们可以实现R平方分数提高约10%。
2021-05-13 cs.LG stat.ML
Generating Synthetic Multispectral Satellite Imagery from Sentinel-2
Radiant Earth Foundation(Radiant Earth基金会);Benson Hill(Benson Hill公司);Sunbird AI(Sunbird AI公司)
多谱段卫星图像为许多环境和社会经济应用提供了全球范围的宝贵数据。然而,基于这些图像构建监督机器学习模型可能需要在全球范围内不可用的地面参考标签。在这里,我们提出了一个生成模型,以产生多分辨率多光谱图像的基础上哨兵-2数据。由此产生的合成图像与人类的真实图像无法区分。该技术为未来的工作铺平了道路,以产生标记的合成图像,可用于数据增强在数据稀缺的地区和应用。
2020-12-05 cs.CV cs.LG eess.IV
Assigning a Grade: Accurate Measurement of Road Quality Using Satellite Imagery
University of Washington(华盛顿大学);University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
道路是社会和经济发展的重要基础设施,各国政府每年都进行巨额投资。然而,监测这些投资的方法往往耗时、费力和昂贵,使许多发展中地区无法获得这些方法。在这项工作中,我们开发了一个模型,利用卫星图像监测道路基础设施的质量。对于这项任务,我们利用两个趋势:高分辨率,经常更新的卫星图像的可用性越来越高,以及基于卷积神经网络的方法执行计算机视觉任务的速度和准确性的巨大提高。我们采用了一个独特的数据集的道路质量信息7000公里的道路在肯尼亚结合50厘米分辨率的卫星图像。我们为二元分类任务和综合5类分类任务创建了模型,准确率分别为88%和73%。我们还提供了证据证明我们的方法具有挑战性的情况下,我们的方法的鲁棒性,虽然我们注意到一些改进仍然需要一个从未见过的道路的信心分析。我们相信这些结果将对广泛的运输应用产生重大影响。
2018-12-06 cs.CV cs.CY cs.LG
Attention-Based Scattering Network for Satellite Imagery
Colorado State University(科罗拉多州立大学)
来自叠加谱带或时空数据的多通道卫星图像对各种大气特性具有有意义的表示。以有效的方式结合这些功能,以创建一个高性能和值得信赖的模型,是最重要的预测。神经网络显示出希望,但遭受不直观的计算,高级特征的融合,并且可能受到可用数据量的限制。在这项工作中,我们利用散射变换来提取高级特征,而无需额外的可训练参数,并引入分离方案来引起对独立输入通道的关注。实验表明,从卫星图像估计热带气旋强度和预测闪电的发生有希望的结果。
2022-10-21 cs.AI cs.CV cs.LG
Semantic Segmentation of Medium-Resolution Satellite Imagery using Conditional Generative Adversarial Networks
Radiant Earth Foundation(Radiant Earth基金会);Benson Hill(Benson Hill公司);Sunbird AI(Sunbird AI公司)
卫星图像的语义分割是识别模式和检测地球周围变化的常用方法。大多数最先进的语义分割模型都是使用卷积神经网络(CNN)以完全监督的方式进行训练的。对于卫星图像,CNN的泛化性能较差,因为数据在景观类型、图像分辨率以及不同地理和季节的标签稀缺性方面可能非常多样化。因此,CNN的性能并不能很好地转化为来自看不见的地区或季节的图像。受基于条件生成对抗网络(CGAN)的高分辨率卫星影像图像间转换方法的启发,提出了一种基于CGAN的中分辨率Sentinel-2影像土地覆盖分类框架。我们发现,CGAN模型优于CNN模型的相似的复杂性的显着保证金上看不见的不平衡的测试数据集。
2020-12-05 cs.CV cs.LG eess.IV
Unsupervised Super-Resolution of Satellite Imagery for High Fidelity Material Label Transfer
University of Maryland(马里兰大学)
遥感图像中的城市物质识别是一个高度相关的,但极具挑战性的问题,由于难以获得人类的注释,特别是在低分辨率的卫星图像。为此,我们提出了一个无监督的领域自适应为基础的方法,使用对抗学习。我们的目标是从少量的高分辨率数据(源域)中获取信息,并利用这些信息来超分辨率低分辨率图像(目标域)。这可能有助于语义以及材料标签从注释丰富的源到目标域的转移。
2021-05-16 cs.CV cs.LG eess.IV
Using Multiple Input Modalities Can Improve Data-Efficiency and O.O.D. Generalization for ML with Satellite Imagery
Department of Computer Science, University of Colorado Boulder(计算机科学系,科罗拉多大学博尔德分校)
该研究通过向卫星影像基准任务追加多种地理数据层,证明多模态融合能显著提升SatML模型在数据稀缺和分布外场景下的性能,并发现硬编码融合策略优于可学习融合方法。
2025-07-15 cs.CV cs.LG
A CNN based method for Sub-pixel Urban Land Cover Classification using Landsat-5 TM and Resourcesat-1 LISS-IV Imagery
Indian Institute for Human Settlements(印度人类住区研究所)
城市土地覆盖的时间序列数据在分析城市增长模式、不透水面和植被分布变化及其对城市小气候的影响等方面具有重要意义。虽然陆地卫星数据是这种分析的理想选择,因为免费图像的时间序列很长,但传统的按像素硬分类无法充分发挥陆地卫星数据的潜力。本文提出了一种亚像素分类方法,利用Landsat-5 TM和Resourcesat-1 LISS-IV传感器的时间重叠。我们训练一个卷积神经网络,预测分数土地覆盖图从30米Landsat-5 TM数据。参考土地覆盖率估计从硬分类的5.8米LISS-IV图像从2011年的Bengalu。此外,我们证明了所提出的模型从2009年孟买的数据,并将其与使用随机森林分类器获得的结果进行比较的通用性和优越的性能。对于孟加拉国(2011年)和孟买(2009年)的数据,我们的CNN模型的平均绝对百分比误差在7.2至11.3的范围内,在30米单元水平的建成和植被覆盖率预测。与最近使用有限空间范围的数据进行验证的研究不同,我们的模型已经使用两个不同时间段的两个特大城市的完整空间范围的数据进行了训练和验证。因此,它可以可靠地产生30米建成区和植被覆盖度地图从Landsat-5 TM时间序列数据分析长期的城市增长模式。
2021-12-16 cs.CV cs.LG
City-scale Road Extraction from Satellite Imagery
CosmiQ Works, In-Q-Tel(In-Q-Tel CosmiQ Works)
从遥感图像中自动提取道路网络仍然是一个重大的挑战,尽管它在广泛的应用的重要性。为此,我们利用最新的开源技术和高质量的SpaceNet数据集来探索大规模的道路网络提取,我们称之为从卫星图像中提取城市规模道路(CRESI)。具体来说,我们创建了一个算法,直接从城市规模的区域,随后可用于路由目的的图像中提取道路网络。我们量化我们的算法的性能与APLS和TOPO图论指标在不同的608平方公里的测试区域,覆盖四个城市。我们发现APLS的总得分= 0.73,TOPO得分为0.58(比现有方法有显着改进)。在普通硬件上,推理速度为每小时160平方公里。最后,我们证明,可以使用提取的道路网络的任何数量的应用程序,如优化路由。
2019-07-22 cs.CV cs.LG
Spatiotemporal Air Quality Mapping in Urban Areas Using Sparse Sensor Data, Satellite Imagery, Meteorological Factors, and Spatial Features
School of Science and Engineering, Lahore University of Management Sciences(拉合尔管理科学大学科学与工程学院)
本文提出基于图神经网络和稀疏传感器、卫星及多源时空数据的高分辨率AQI制图框架,并在拉合尔案例中验证其有效性。
2025-01-20 cs.AI cs.CV cs.LG
Tackling the Overestimation of Forest Carbon with Deep Learning and Aerial Imagery
Technical University of Munich(慕尼黑工业大学);ETH Zurich(苏黎世联邦理工学院);Massachusetts Institute of Technology(麻省理工学院)
森林碳抵消越来越受欢迎,可以在为气候减缓、森林保护和重新造林提供资金方面发挥重要作用。然而,测量森林中储存了多少碳在很大程度上仍然是通过昂贵,耗时,有时甚至是不负责任的实地测量来完成的。为了克服这些限制,许多验证机构正在利用机器学习(ML)算法来估计卫星或航空图像中的森林碳。航空图像可用于树种或科分类,从而改进了基于卫星图像的森林类型分类。然而,航空图像的收集成本要高得多,目前还不清楚更高的分辨率在多大程度上改善了森林碳估计。这份提案文件描述了通过基于深度学习的算法对热带再造林项目的航空图像、卫星图像和地面实况实地测量的森林碳估计的首次系统比较。我们的初步结果表明,对于热带重新造林项目,卫星图像的森林碳估计可能高估地上生物量高达10倍。航空和卫星衍生的森林碳测量之间的显着差异显示了基于航空图像的ML算法的潜力,并提高了将这项研究扩展到碳测量选项之间的全球基准的重要性。
2021-08-19 cs.CV cs.LG
Rapid Detection of Aircrafts in Satellite Imagery based on Deep Neural Networks
Research Center For Modeling and Simulation (RCMS), NUST(国立科技大学建模与仿真研究中心);RCMS, NUST(国立科技大学建模与仿真研究中心)
目标检测是应用计算机视觉的基本目标之一。在某些应用中,例如在卫星图像处理的情况下,目标检测变得非常具有挑战性。卫星图像处理一直是精确农业、气候变化、灾害管理等领域研究者关注的焦点,因此,卫星图像中的目标检测是该领域研究的热点问题之一。本文主要研究飞机检测问题。在卫星图像中使用深度学习技术。在本文中,我们使用YOLO深度学习框架进行飞机检测。该方法使用不同来源的卫星图像作为模型的学习来执行检测。卫星图像中的目标检测目标检测大多比较复杂,因为目标的变化、类型、姿态、大小、背景复杂且密集。YOLO对于小尺寸对象(每个对象小于$\sim$ 32像素)有一些限制,因此我们对预测网格进行上采样,以降低模型的粗糙度,并准确检测密集聚集的对象。改进后的模型在不同的未知图像上表现出良好的精度和性能,具有小,旋转,密集的目标,以满足实时性的要求。
2021-04-21 cs.AI cs.CV cs.LG
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
Satellite imagery analysis for operational damage assessment in Emergency situations
Skolkovo institute of Science and technology(斯科尔科沃科学技术研究院);Moscow(莫斯科)
当重大灾害发生时,人们提出了如何及时估计损失以支持地方当局或人道主义小组的决策过程和救灾工作的问题。在本文中,我们考虑使用机器学习和计算机视觉的遥感图像,以提高时间效率的评估受损建筑物在受灾地区。我们提出了一个通用的工作流程,可以在各种灾害管理应用程序中是有用的,并演示了使用所提出的工作流程在加利福尼亚州的野火在2017年造成的损失的评估。
2018-02-19 cs.CV cs.LG
Fast building segmentation from satellite imagery and few local labels
Microsoft AI for Good Research Lab(微软AI向善研究实验室);World Bank(世界银行)
用于卫星图像分析的计算机视觉算法的创新可以使我们能够在行星层面探索城市化和土地利用变化等全球挑战。然而,当试图复制将这些分析推向新领域的模型时,特别是在发展中国家,领域转移问题是常见的。如果一个模型是用来自一个位置的图像和标签训练的,那么它通常不会很好地推广到图像内容和数据分布不同的新位置。在这项工作中,我们考虑的设置中,我们有一个单一的大型卫星图像场景,我们要解决一个应用问题-建设足迹分割。在这里,我们不必担心创建一个泛化场景边界的模型,而是可以训练本地模型。我们发现,令人惊讶的是,很少的标签需要非常高的分辨率(0.5m/px)的卫星图像,考虑到这种设置来解决建筑物分割问题。我们的最佳模型仅使用527个稀疏多边形注释(相当于1500 x 1500个密集标记的像素)进行训练,在计算200 x 200米窗口中的建筑物数量时,对保持的足迹的召回率为0.87,R2为0.93。我们将我们的模型应用于约旦安曼的高分辨率图像,在城市变化检测的案例研究。
2022-06-10 cs.CV cs.LG
Unsupervised Discovery of Semantic Concepts in Satellite Imagery with Style-based Wavelet-driven Generative Models
The Cyprus Institute(塞浦路斯研究所);National and Kapodistrian University of Athens(雅典国立卡波季斯特里安大学)
近年来,生成对抗网络(GANs)领域取得了相当大的进步,特别是随着基于风格的架构的出现,这些架构解决了许多关键缺点-无论是在建模能力还是网络可解释性方面。尽管有这些改进,但在卫星图像领域采用这些方法并不容易。生成任务中使用的典型视觉数据集是对齐和注释良好的,并且表现出有限的可变性。相比之下,卫星图像具有很大的空间和光谱变化性,广泛存在精细的高频细节,而注释卫星图像的繁琐性质导致注释稀缺-进一步激励无监督学习的发展。有鉴于此,我们提出了第一个预先训练的风格和基于小波的GAN模型,该模型可以在各种设置和条件下轻松合成各种逼真的卫星图像,同时还保留了高频信息。此外,我们还表明,通过分析网络的中间激活,可以发现大量可解释的语义方向,这些方向有助于根据高级概念(例如,城市化),而不使用任何形式的监督。通过一组定性和定量实验,我们证明了我们的框架的有效性,在下游任务(例如,数据增强)、合成图像的质量以及对看不见的数据集的泛化能力。
2022-08-03 cs.CV cs.LG eess.IV
Exploiting answer-invariant redundancies in satellite imagery for efficient VLM inference on edge
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对卫星图像边缘端VLM推理,提出利用答案不变冗余的Rift系统,通过查询条件分块剪枝与弹性预填充,在Jetson AGX Orin上降低能耗78%、延迟69%,准确率提升至73%。
2026-09-25 cs.CV cs.LG
A Generalizable and Accessible Approach to Machine Learning with Global Satellite Imagery
Statistics Department, UC Berkeley(加州大学伯克利分校统计系);Electrical Engineering & Computer Science Department, UC Berkeley(加州大学伯克利分校电气工程与计算机科学系);Global Policy Laboratory, Goldman School of Public Policy, UC Berkeley(加州大学伯克利分校高盛公共政策学院全球政策实验室);Center for the Environment and Data Science Initiative, Harvard University(哈佛大学环境中心与数据科学计划);Bren School of Environmental Science & Management, UC Santa Barbara(加州大学圣塔芭芭拉分校布伦环境科学与管理学院);Rhodium Group(荣鼎集团)
将卫星图像与机器学习相结合,有可能通过远程估计数据匮乏地区的社会经济和环境状况来应对全球挑战,但机器学习的资源要求限制了其可访问性和使用。我们表明,卫星图像的单一编码可以概括不同的预测任务(例如,森林覆盖率,房价,道路长度)。我们的方法实现了与深度神经网络竞争的准确性,计算成本降低了几个数量级,可在全球范围内扩展,提供标签超分辨率预测,并有助于表征不确定性。由于图像编码是跨任务共享的,因此它们可以集中计算并分发给无限的研究人员,他们只需要将线性回归拟合到自己的地面真实数据,以实现最先进的SIML性能。
2020-10-16 cs.CV cs.LG
Deep cross-domain building extraction for selective depth estimation from oblique aerial imagery
Fraunhofer IOSB(弗劳恩霍夫IOSB);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
随着航空影像技术的进步和城市环境的精确三维重建,城市区域的自动分析越来越受到重视。在我们的工作中,我们研究了两个重要的方面,允许在倾斜的航拍图像,即自动建筑物提取与卷积神经网络(CNN)和选择性的实时深度估计从航拍图像的城市模型中的建筑结构的实时分析。我们使用迁移学习来训练更快的R-CNN方法,通过将用于城市场景理解的大型地面数据集与来自空中数据集的少量图像相结合来进行实时深度目标检测。对于在选定的评估数据集上进行构建提取的任务,我们实现了约80%的平均精度(AP)。我们的评估集中在特定的学习和迁移学习。此外,我们提出了一种算法,允许多视图深度估计从航空图像的实时。我们采用半全局匹配(SGM)的优化策略,以保持在对象边界的尖锐边缘。结合Faster R-CNN,它允许从倾斜的航空图像中选择性地重建建筑物,识别感兴趣的区域(ROI)。
2019-09-21 cs.CV cs.LG
Using Game Engines and Machine Learning to Create Synthetic Satellite Imagery for a Tabletop Verification Exercise
Berliner Hochschule für Technik(柏林技术应用科学大学);Program on Science and Global Security, Princeton University(普林斯顿大学科学与全球安全项目);Einstein Center Digital Future, Berlin(柏林爱因斯坦数字未来中心)
针对公开卫星图像分辨率、获取性等不足限制公民核活动监测潜力评估的问题,提出结合游戏引擎与机器学习生成可调参数的合成卫星图像的方法,验证其可支持桌面演练以评估新型卫星的核查能力。
2024-06-23 cs.AI cs.CV cs.HC
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
Formatting the Landscape: Spatial conditional GAN for varying population in satellite imagery
Intuition Machines Inc(直觉机器公司);Max Planck Institute for Evolutionary Anthropology(马克斯·普朗克进化人类学研究所)
气候变化预计将重新洗牌的定居点景观:迫使人们在受影响的地区迁移,改变他们的生活方式,并继续影响世界各地的人口变化。人口地理分布的变化将对土地利用和土地覆盖产生巨大影响,因此构成气候变化情景规划的主要挑战之一。在本文中,我们探讨了一个生成模型框架生成卫星图像的条件网格人口分布。我们对现有的ALAE架构进行了补充,创建了一个空间条件版本:SCALAE。这种方法使我们能够明确地从模型的潜在空间中分离出人口,从而将自定义人口预测输入到生成的图像中。我们假设,这样的图像可以直接用于土地覆盖和土地利用变化估计使用现有的框架,以及预期的本地变化的现实可视化。我们通过比较像素和语义重建来评估模型,并计算标准FID度量。结果表明,该模型准确地捕捉人口分布,并提供了一个可控的方法来生成逼真的卫星图像。
2020-12-08 cs.CV cs.LG eess.IV
Crop Type Identification for Smallholding Farms: Analyzing Spatial, Temporal and Spectral Resolutions in Satellite Imagery
Indraprastha Institute of Information Technology, Delhi(德里英迪拉普拉斯塔信息技术学院);M S Swaminathan Research Foundation(M·S·斯瓦米纳坦研究基金会)
现代机器学习(ML)模型与遥感和农业的结合,扩大了卫星图像在农业领域的应用范围。在本文中,我们提出了如何提高作物类型识别的准确性,因为我们从中时空分辨率(MSTR)的高时空分辨率(HSTR)卫星图像。我们进一步证明了卫星图像中的高光谱分辨率可以提高低空间和时间分辨率(LSTR)图像的预测性能。当使用MSTR图像的多光谱数据时,与从HSTR图像获得的最佳结果相比,F1分数增加了7%。同样,当使用基于作物季节的多光谱数据时间序列时,我们观察到F1分数增加了1.2%。这一结果推动了合成条带生成领域的进一步发展。
2022-05-06 cs.CV cs.LG eess.IV
SolarNet: A Deep Learning Framework to Map Solar Power Plants In China From Satellite Imagery
WeBank(微众银行)
太阳能等可再生能源对于应对日益严重的气候变化至关重要。中国是世界领先的太阳能电池板安装国,建造了许多太阳能发电厂。在本文中,我们提出了一个名为SolarNet的深度学习框架,旨在对大规模卫星图像数据进行语义分割,以检测太阳能发电场。SolarNet已成功绘制了中国439个太阳能发电场的地图,覆盖面积近2000平方公里,相当于整个深圳市或纽约市的两倍半。据我们所知,这是我们首次使用深度学习来揭示中国太阳能发电场的位置和规模,这可以为太阳能发电公司、市场分析师和政府提供见解。
2019-12-10 cs.CV cs.LG eess.IV
Do Street View Imagery and Public Participation GIS align: Comparative Analysis of Urban Attractiveness
University of Helsinki(赫尔辛基大学)
本文通过赫尔辛基的SVI与PPGIS数据比较,发现二者对城市吸引力的判断仅部分一致,非视觉因素导致显著偏差,提出应综合使用两种方法以更全面理解城市感知。
2025-11-04 cs.CV cs.CY cs.LG
Scalable Data Balancing for Unlabeled Satellite Imagery
Space ML(太空机器学习(Space ML))
数据不平衡是机器学习中普遍存在的问题。在大规模收集和注释的数据集中,数据不平衡要么通过对频繁类进行欠采样和对稀有类进行过采样来手动缓解,要么通过插补和增强技术进行计划。在这两种情况下,平衡数据都需要标签。换句话说,只有带注释的数据才能平衡。收集完全注释的数据集是具有挑战性的,特别是对于大型卫星系统,如未标记的NASA的35 PB地球图像数据集。虽然NASA地球图像数据集是未标记的,但我们可以依赖数据源的隐含属性来假设其不平衡,例如地球图像中的土地和水的分布。我们提出了一种新的平衡未标记数据的迭代法。我们的方法利用图像嵌入作为图像标签的代理,可用于平衡数据,并最终在训练时提高整体准确性。
2021-07-07 cs.AI cs.CV cs.LG
NightVision: Generating Nighttime Satellite Imagery from Infra-Red Observations
Fraunhofer Center Machine Learning(弗劳恩霍夫机器学习中心);University of Kaiserlautern(凯泽斯劳滕大学);University of Oxford(牛津大学);CEA Saclay(萨克雷法国原子能和替代能源委员会);Sorbonne Université(索邦大学);University of Edinburgh(爱丁堡大学);Dresden University of Technology(德累斯顿工业大学);University of Bern(伯尔尼大学);North Carolina State University(北卡罗来纳州立大学)
最近,机器学习在卫星图像中的应用激增,通常依赖于可见光图像,因此在夜间缺乏数据。这一空白可以通过利用现有的红外观测生成可见图像来填补。这项工作介绍了如何通过使用基于U-Net的架构成功应用深度学习来创建这些图像。所提出的方法显示出良好的效果,实现了结构相似性指数(SSIM)高达86\%的独立测试集,并提供视觉上令人信服的输出图像,从红外观测。
2020-12-08 cs.CV cs.LG eess.IV
Magnifying change: Rapid burn scar mapping with multi-resolution, multi-source satellite imagery
Orion Lab, National Observatory of Athens & National Technical University of Athens(Orion实验室、雅典国家天文观测站及雅典技术大学);Department of Informatics and Telematics, Harokopio University of Athens(信息与电信系、哈罗基奥大学)
本研究提出BAM-MRCD模型,利用多分辨率、多源卫星影像实现高精度快速烧伤区域制图,适用于野火后快速响应场景。
2026-01-14 cs.AI cs.CV cs.LG
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
Using Satellite Imagery and Machine Learning to Estimate the Livelihood Impact of Electricity Access
Stanford University(斯坦福大学);Atlas AI(阿特拉斯人工智能公司);National Bureau of Economic Research(美国国家经济研究局)
在世界许多地区,关于关键经济成果的数据稀少,阻碍了公共政策的制定、目标确定和评估。我们展示了卫星图像和机器学习的进步如何帮助改善这些数据和推理挑战。在整个乌干达的电网扩展的背景下,我们展示了如何将卫星图像和计算机视觉相结合,可以用来开发适合推断电力供应对生计的因果影响的地方一级生计测量。然后,我们展示了如何ML为基础的推理技术提供更可靠的估计电气化的因果关系的影响比传统的替代品时,适用于这些数据。我们估计,电网接入使乌干达农村的村级资产财富提高了0.17个标准差,相对于未经处理的地区,我们研究期间的增长率增加了一倍多。我们的研究结果提供了一个关键的基础设施投资的影响,国家规模的证据,并提供了一个低成本,可推广的方法,未来的政策评估数据稀疏的环境。
2021-09-07 cs.LG econ.GN q-fin.EC
Coverage and Bias of Street View Imagery in Mapping the Urban Environment
National University of Singapore(新加坡国立大学)
本研究提出一种结合位置关系与物理遮挡的SVI要素级覆盖度估计方法,以伦敦为例发现谷歌街景仅覆盖62.4%建筑,且存在非住宅过度表征偏差,建议采样间隔50-60米。
2025-01-24 cs.LG
Confidence-Filtered Relevance (CFR): An Interpretable and Uncertainty-Aware Machine Learning Framework for Naturalness Assessment in Satellite Imagery
University of Bonn(波恩大学);Forschungszentrum Jülich(尤利希研究中心)
本文提出置信度过滤相关性(CFR)框架,结合LRP注意力展开与深度确定性不确定性估计,系统分析模型不确定性对卫星影像自然度评估可解释性的影响,并在AnthroProtect数据集上验证了其有效性。
2025-07-17 cs.LG
Deep Learning Models for River Classification at Sub-Meter Resolutions from Multispectral and Panchromatic Commercial Satellite Imagery
The Ohio State University(俄亥俄州立大学);Byrd Polar and Climate Research Center(伯德极地与气候研究中心)
对地球表面水的遥感在从评估季节性干旱和洪水的社会影响到气候变化的大规模影响等一系列广泛的环境研究中至关重要。因此,有大量关于卫星图像水分类的文献。然而,以前的方法受到以下限制:1)公共卫星图像的空间分辨率,2)在像素级操作的分类方案,以及3)对多个光谱带的需求。我们通过1)使用全色和多光谱分辨率分别为30 cm和1.2 m的商业图像,2)开发多个完全卷积神经网络(FCN),可以学习水体的形态特征以及光谱特性,以及3)FCN甚至可以从全色图像中对水进行分类。这项研究的重点是北极地区的河流,使用来自Quickbird,WorldView和GeoEye卫星的图像。因为没有训练数据可用于如此高的分辨率,我们手动构建这些。首先,我们使用8波段多光谱传感器的RGB和NIR波段。这些经过训练的模型在验证数据上都达到了90%以上的精确度和召回率,这得益于特定于卫星图像的训练数据的实时预处理。在一种新的方法中,我们然后使用多光谱模型的结果来生成仅需要全色图像的FCN的训练数据,其中有更多的可用。尽管特征空间较小,这些模型仍然达到了85%以上的准确率和召回率。我们向遥感界提供我们的开源代码和经过训练的模型参数,这为环境水文学的广泛应用铺平了道路,其精度和空间分辨率比以前高出2个数量级。
2022-12-27 cs.CV cs.LG eess.IV
SpectraNet: Learned Recognition of Artificial Satellites From High Contrast Spectroscopic Imagery
United States Space Force Space Systems Command(美国太空军太空系统司令部);Air Force Research Laboratory(空军研究实验室)
有效的空间交通管理需要对人造卫星进行积极的识别。目前从观测数据中提取物体识别信息的方法需要空间分辨图像,这就限制了对低地球轨道物体的识别。然而,大多数人造卫星在地球静止轨道上运行,其距离使地面观测站无法解析空间信息。本文演示了一种利用修改后的残差卷积神经网络将距离不变的光谱数据映射到对象身份的对象识别解决方案。我们报告的分类精度超过80%的模拟64类卫星的问题-即使在卫星进行恒定的,随机的重新定位的情况下。由这些结果驱动的天文观测活动返回了72%的准确率,平均每类100个例子,从模拟预期的表现。我们展示了变分贝叶斯推理的应用辍学,随机加权平均(SWA),和SWA为重点的深度集成来衡量分类的不确定性-在空间交通管理中的关键组成部分,其中常规决策风险昂贵的空间资产,并进行地缘政治后果。
2022-01-10 astro-ph.IM cs.LG