ShadowGS: Shadow-Aware 3D Gaussian Splatting for Satellite Imagery
Central South University（中南大学）
ShadowGS通过结合物理渲染方程和高效射线推进技术，提升卫星影像中阴影处理的精度和3D重建的鲁棒性。
2026-01-04 cs.CV
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
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
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
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
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
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
Super-Resolving Commercial Satellite Imagery Using Realistic Training Data
Google Inc.（谷歌公司）
在基于机器学习的单幅图像超分辨率中，退化模型被嵌入到训练数据生成中。然而，大多数现有的卫星图像超分辨率方法使用具有固定核的简单下采样模型来创建训练图像。这些方法在合成数据上工作良好，但在真实卫星图像上表现不佳。提出了一种实用的商业卫星影像产品训练数据生成模型，该模型不仅包括卫星上的成像过程，还包括地面上的后处理过程。我们还提出了一个卷积神经网络优化的卫星图像。实验结果表明，所提出的训练数据生成模型能够有效提高真实卫星图像的超分辨率性能。
2020-02-26 cs.CV 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
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
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
SaRNet: A Dataset for Deep Learning Assisted Search and Rescue with Satellite Imagery
New York University（纽约大学）
近年来，随着几个新星座的投入使用，获得高分辨率卫星图像的机会急剧增加。重访频率高以及分辨率的提高，使卫星图像的使用范围扩大到人道主义救济甚至搜索和救援等领域。我们提出了一种新的遥感对象检测数据集，用于深度学习辅助SaR。该数据集仅包含作为实时SaR响应的一部分被确定为潜在目标的小对象。我们评估了流行的对象检测模型在该数据集上的应用，作为进一步研究的基础。我们还提出了一种新的对象检测度量，专门设计用于深度学习辅助的SaR设置。
2021-08-04 cs.CV 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
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
Evaluating the Efficacy of Cut-and-Paste Data Augmentation in Semantic Segmentation for Satellite Imagery
Sapienza University of Rome（罗马大学）；Department of Computer, Control and Management Engineering（计算机、控制与管理工程系）
针对卫星图像语义分割中数据稀缺和类别不平衡问题，本文提出一种基于连通组件的剪切粘贴数据增强方法，在DynamicEarthNet数据集上使用U-Net模型将mIoU从37.9提升至44.1，显著增强了模型泛化能力。
2025-01-21 cs.CV cs.LG eess.IV
Poverty Prediction with Public Landsat 7 Satellite Imagery and Machine Learning
Stanford University（斯坦福大学）
在发展中国家，获得有关当地经济生计的详细和可靠数据的费用很高，因此数据很少。以往的工作表明，有可能利用高分辨率卫星图像衡量地方一级的经济生计。然而，这种图像的获取相对昂贵，往往不经常更新，而且主要是在最近几年才能获得。我们对CNN的模特进行训练，让她们使用Landsat 7号卫星提供的免费和公开的非洲大陆白天多光谱卫星图像，该卫星收集图像覆盖全球近20年。我们表明，尽管这些图像的分辨率较低，我们可以实现超过以前的基准精度。
2017-11-10 cs.CV cs.LG stat.ML
Enhancing Satellite Imagery using Deep Learning for the Sensor To Shooter Timeline
PeopleTec Inc.（PeopleTec公司）
从传感器到射手的时间轴受两个主要变量的影响：卫星定位和资产定位。通过增加更多的传感器或减少处理时间来加速卫星定位只有在有准备的射手的情况下才是重要的，否则时间的主要来源是让射手就位。然而，情报界应该努力以最快的速度和最高的效率利用传感器。在保持高速度的同时实现高效率是必须在传感器到射手时间轴中考虑的权衡。在本文中，我们研究了两个主要的想法，通过图像处理，提高卫星图像的有效性，以及如何在船上的图像处理将影响传感器的射手时间轴。我们涵盖这些想法在四个场景：离散事件模拟机载处理与地面站处理，信息质量与云层覆盖去除，信息改善与超分辨率，和数据减少与图像字幕。本文将展示如何图像处理技术，如超分辨率，除云，图像字幕将提高交付信息的质量，除了显示这些过程如何影响传感器的射手时间轴。
2022-03-30 cs.CV cs.LG eess.IV
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
Mapping Missing Population in Rural India: A Deep Learning Approach with Satellite Imagery
Stanford University（斯坦福大学）；Dartmouth College（达特茅斯学院）；World Bank（世界银行）
全世界有数百万人没有参加他们国家的人口普查。准确的、当前的和颗粒状的人口指标对于改善政府资源分配、衡量疾病控制、应对自然灾害以及研究这些社区人类生活的任何方面都至关重要。卫星图像可以提供足够的信息，在不需要政府人口普查的费用和时间的情况下绘制人口图。我们提出了两个卷积神经网络（CNN）架构，有效地结合来自多个来源的卫星图像输入，以准确地预测一个地区的人口密度。在本文中，我们使用来自印度农村的卫星图像和2011年SECC人口普查的人口标签。我们最好的模型实现了更好的性能比以前的论文，以及LandScan，全球人口分布的社区标准。
2019-05-04 cs.CV eess.IV
Spatio-temporal crop classification of low-resolution satellite imagery with capsule layers and distributed attention
Yale University（耶鲁大学）
低分辨率遥感影像的土地利用分类是遥感研究的热点之一。尽管卫星技术取得了重大进展，但高分辨率图像缺乏全球覆盖，而且长时间采购高分辨率图像的费用可能高得令人望而却步。在没有高分辨率图像的情况下对土地利用变化进行准确分类，可以监测全球发展议程的重要方面，包括气候智能型农业、抗旱作物和可持续土地管理。利用胶囊层和长短期记忆层与分布式注意力的组合，本文实现了最先进的精度在时间作物类型分类在30 × 30米的分辨率与哨兵2图像。
2019-04-23 cs.CV cs.LG stat.ML
On Board Volcanic Eruption Detection through CNNs and Satellite Multispectral Imagery
University of Sannio（桑尼奥大学）；Italian Space Agency（意大利空间局）
近年来，机器学习（ML）算法的发展增加了研究的数量，包括它们在各种不同场景中的适用性。其中，最困难的是航空航天，由于其特殊的物理要求。在这方面，在这项工作中提出了一个可行性研究和第一个原型的人工智能（AI）模型将部署在卫星上。作为一个案例研究，对火山爆发的检测进行了调查，作为一种迅速发出警报并允许立即干预的方法。两个卷积神经网络（CNN）已被提出和设计，显示如何有效地实现它们识别喷发，并在同一时间适应其复杂性，以适应船上的要求。
2021-07-28 cs.CV cs.LG eess.IV
Towards High-Resolution Alignment and Super-Resolution of Multi-Sensor Satellite Imagery
The Pennsylvania State University（宾夕法尼亚州立大学）；NASA Marshall Space Flight Center（美国国家航空航天局马歇尔空间飞行中心）；University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
本研究提出一个初步框架，利用HLS10影像作为参考，对HLS30影像进行对齐和超分辨率重建，以弥合多传感器卫星影像的分辨率差距，实验验证了其有效性。
2025-08-01 cs.CV eess.IV
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
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
Predicting Poverty Level from Satellite Imagery using Deep Neural Networks
Mission San Jose High School（米慎圣何塞高中）；Stanford Univeristy（斯坦福大学）
确定全世界各区域的贫穷程度对于确定减贫举措的干预措施和公平地分配资源至关重要。然而，很难获得关于全球经济生计的可靠数据，特别是在发展中国家的地区，这阻碍了部署服务和监测/评估进展的努力。这在很大程度上是因为这些数据是从传统的上门调查中获得的，这种调查既耗时又昂贵。高空卫星图像所包含的特征使人们有可能估计该区域的贫困程度。在这项工作中，我开发了深度学习计算机视觉方法，可以从头顶上的卫星图像预测一个地区的贫困水平。我用白天和夜间的图像进行实验。此外，由于数据的限制往往是进入卫星图像的贫困预测的障碍，我探讨的影响，数据量和数据增强的代表性力量和网络的整体准确性。最后，为了评估网络的鲁棒性，我对开发集中缺少的大陆数据进行了评估。
2021-11-30 cs.CV eess.IV
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
Estimating Chicago's tree cover and canopy height using multi-spectral satellite imagery
The Alan Turing Institute（艾伦·图灵研究所）；University College London（伦敦大学学院）
关于城市树冠的信息对于减缓气候变化[1]以及提高生活质量[2]至关重要。城市植树计划面临着缺乏关于城市树冠水平和垂直尺寸的最新数据的问题。我们提出了一个管道，利用LiDAR数据作为地面实况，然后训练多任务机器学习模型，使用多源多光谱卫星图像对芝加哥的案例研究生成城市地区树木覆盖率和树冠高度的可靠估计。
2022-12-09 cs.CV 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
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
Segmenting Ships in Satellite Imagery With Squeeze and Excitation U-Net
SRM Institute of Science and Technology（SRM科学技术学院）
卫星图像中的船舶检测任务对即使是最先进的分割模型也构成了重大障碍，这是由于缺乏标记数据集或无法推广到看不见的图像的方法。用于语义分割的最常见的方法涉及复杂的两级网络或利用多尺度场景解析模块的网络。在本文中，我们提出了一个流行的U-Net架构的修改版本，称为挤压和激励U-Net和训练它的损失，有助于直接优化交集（IoU）得分。我们的方法提供了与其他方法相当的性能，同时具有计算效率高的额外好处。
2019-10-27 cs.CV eess.IV
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
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
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
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
Handheld Burst Super-Resolution Meets Multi-Exposure Satellite Imagery
Université Paris-Saclay（巴黎萨克雷大学）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；CNRS（法国国家科学研究中心）；Centre Borelli（博雷利中心）
图像分辨率是基于卫星图像的许多应用的重要标准。在这项工作中，我们采用了最先进的核回归技术，用于智能手机相机突发超分辨率卫星。该技术利用图像的局部结构来优化融合内核，限制最终高分辨率预测中的模糊，对图像进行降噪，并将细节恢复到缩放因子2。我们将这种方法扩展到多次曝光的情况下，从一系列的多次曝光的低分辨率帧的高分辨率和无噪声的预测。在单次曝光和多次曝光场景下的实验表明了该方法的优点。由于融合是无学习的，所提出的方法是确保不幻觉的细节，这是许多遥感应用的关键。
2023-03-10 cs.CV eess.IV
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
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
Generative AI for Urban Planning: Synthesizing Satellite Imagery via Diffusion Models
Massachusetts Institute of Technology（麻省理工学院）；University of Florida（佛罗里达大学）；The Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工学院研究与技术联盟）；Boston University（波士顿大学）
本文扩展Stable Diffusion与ControlNet，融合OpenStreetMap土地利用约束生成高保真卫星图像，并在三城市数据上验证其真实性、多样性与规划应用价值。
2025-05-13 cs.CV cs.LG
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
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
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
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
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
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
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
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
Identification and Classification of Phenomena in Multispectral Satellite Imagery Using a New Image Smoother Method and its Applications in Environmental Remote Sensing
University of Tehran（德黑兰大学）
本文提出了一种新的卫星图像平滑方法及其在环境遥感中的应用。该方法是基于全局梯度最小化整个图像。对于图像离散恒等式，将连续极小化问题离散化。使用有限差分数值微分法，一个简单而有效的5*5像素的模板。导出的模板与不同波段的图像的卷积导致各种图像元素的区分。这种方法非常快，而且非常精确。一个案例研究是为伊朗北部，包括部分里海。该方法与常用的拉普拉斯模板的比较表明，它更能够区分图像中的现象。
2020-03-17 cs.CV eess.IV
Precision Agriculture: Crop Mapping using Machine Learning and Sentinel-2 Satellite Imagery
Queen Mary University of London（伦敦玛丽女王大学）
针对气候变化下的粮食安全挑战，本研究利用Sentinel-2影像和U-Net深度学习及像素级方法实现薰衣草田精准分割，Dice系数达0.8324，并发现RGB波段组合的意外有效性。
2023-11-25 cs.CV eess.IV
