首页/论文/2007.08791

arXiv 2007.087912020-07-17eess.IVcs.LG

基于深度学习技术的遥感矿山图像空间分辨率增强

Spatial Resolution Enhancement of Remote Sensing Mine Images using Deep Learning Techniques

E. Zioga, A. Panagiotopoulou, M. Stefouli, E. Charou, L. Grammatikopoulos, E. Bratsolis, N. Madamopoulos

备注：: 5 pages, 4 figures, presented in 2nd Greek Remote Sensing Workshop RSSAC2020

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

应用深度学习技术以提高Sentinel 2卫星图像的空间分辨率，该图像描绘了希腊Ptolemaida的Amynteo褐煤矿。分辨率增强因子2和4以及因子2和6分别使用甚深超分辨率（VDSR）和DSen 2网络，提供了相当不错的结果Amynteo褐煤矿山图像。

英文摘要：

Deep learning techniques are applied so as to increase the spatial resolution of Sentinel2 satellite imagery, depicting the Amynteo lignite mine in Ptolemaida, Greece. Resolution enhancement by factors 2 and 4 as well as by factors 2 and 6 using Very-Deep SuperResolution (VDSR) and DSen2 networks, respectively, provides fairly well results on Amynteo lignite mine images.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

卷积神经网络用于基于遥感数据的蚀变填图矿产勘探

Convolutional neural networks for mineral prospecting through alteration mapping with remote sensing data

The University of Sydney（悉尼大学）；Indian Institute of Technology Jammu（贾木纳印度理工学院）；University of New South Wales（新南威尔士大学）

本研究利用CNN结合Landsat 8、Landsat 9和ASTER遥感数据，对澳大利亚布罗肯希尔北部蚀变带进行填图，通过地面真值训练和选择性PCA方法，证明CNN在捕捉空间模式上优于传统机器学习模型，并能有效识别细微矿化相关蚀变。

2025-02-25cs.CVcs.LGeess.IV

没有比更多数据更好的数据--遥感领域机器学习数据集的现状

There is no data like more data -- current status of machine learning datasets in remote sensing

Munich University of Applied Sciences（慕尼黑应用科学大学）；K. N. Toosi University of Technology（KN图西理工大学）；German Aerospace Center (DLR)（德国航空航天中心）

注释数据集已成为开发和评估基于机器学习的方法的最重要的先决条件之一，这些方法旨在对遥感数据进行自动判读。在本文中，我们回顾了这类数据集的历史发展，讨论了它们的功能的基础上选择的几个例子，并解决未来发展的开放问题。

2021-06-17cs.LGeess.IV

利用高光谱卫星图像对孟加拉国的矿产调查

Investigation of Minerals Using Hyperspectral Satellite Imagery in Bangladesh

利用遥感技术进行矿物鉴定在这一领域正变得越来越占主导地位，因为它为土地资源调查提供了一种更有效的方法，节省了时间。在这些遥感技术中，高光谱遥感技术以其高效的方式逐渐增多。该技术通常从机载平台使用，即，卫星因此，卫星图像遥感技术现在更能够提供精确的矿物识别和绘图。与传统的遥感技术相比，高光谱卫星图像可以通过其先进的成像传感器构建每个像素的光谱的完整反射率来更准确地识别矿物。孟加拉国是一个发展中国家，位于东南亚，面积15万平方公里。虽然它是一个小国，但它通过河流，森林，丘陵和孟加拉湾富含多种矿产资源。在这项研究中，高光谱成像技术被用于孟加拉国的一些主要相同的地区（Maheshkhali，Netrokona，Panchagarh和Patuakhali），以识别那里的矿物。由于在孟加拉国还没有使用高光谱成像进行研究，这是一个很好的机会，探索HS图像在这一领域的潜力。在这项研究中，FLAASH（快速视线大气分析）模块与必要的参数设置用于过滤数据，最后，矿物识别的光谱匹配滤波方法。在这些地区发现了一些潜在的矿产，包括星长石、辉绿岩、锆石、明矾石、石英等，这表明利用高光谱卫星图像在孟加拉国进行矿产勘查仍有巨大的潜力。

2022-12-08cs.SYeess.IVeess.SY

基于多尺度PIIFD的多源遥感影像配准

Multi-scale PIIFD for Registration of Multi-source Remote Sensing Images

本文旨在为多源遥感影像的融合提供几何空间配准的方法。针对多源遥感图像的特点和差异，实现了一种基于特征的配准算法。其关键技术包括实现图像多尺度特性的尺度空间、提取关键点的Harris角点检测和描述关键点的部分强度不变特征描述子（PIIFD）。最后，提出了一种多尺度Harris-PIIFD图像配准算法框架。对4组具有代表性的实际数据的实验结果表明，该算法在多源遥感图像配准中具有优良、稳定的性能，能够实现精确的空间配准，具有较强的实际应用价值和一定的推广能力。

2021-04-26eess.IV

基于循环一致深度生成模型的遥感图像条件去噪

Conditional Denoising of Remote Sensing Imagery Using Cycle-Consistent Deep Generative Models

Cervest Ltd.（Cervest有限公司）

利用遥感图像进行环境建模和向飓风救济工作等人道主义行动提供实时支助的潜力已得到充分确认。这些应用程序会受到由于非结构性噪声（如云、阴影和其他大气效应）造成的数据丢失的严重影响。在这项工作中，我们探讨了应用周期一致的潜变量深度生成模型（DGM）对云穿透带信息条件下的多云Sentinel-2观测进行去噪的潜力。我们适应最近提出的Fréchet距离度量遥感图像的发电机的性能进行评估，证明有条件去噪的DGMs的潜力，并讨论未来的发展方向以及DGMs在地球科学和人道主义应用的局限性。

2019-10-31cs.CVcs.LGeess.IV

基于空间注意力生成对抗网络的遥感图像去云

Cloud Removal for Remote Sensing Imagery via Spatial Attention Generative Adversarial Network

光学遥感图像因其高分辨率和稳定的几何特性而在许多领域得到广泛应用。然而，遥感图像不可避免地受到气候，特别是云的影响。高分辨率遥感卫星图像的去云是分析前必不可少的预处理步骤，由于训练数据规模大，神经网络在很多图像处理任务中已经取得了成功，但将神经网络应用于遥感图像去云的研究还比较少。本文采用生成对抗网络来解决这一问题，并将空间注意力机制引入到遥感图像去云任务中，提出了一种空间注意力生成对抗网络（SpA GAN）模型，该模型模仿人类视觉机制，通过局部到全局的空间注意力来识别和聚焦云区域，从而增强这些区域的信息恢复，生成质量更好的无云图像。

2020-11-14cs.CVeess.IV

更多相关论文收起更多论文

一种无监督多光谱遥感图像融合的模型生成方法

A Generative Model Method for Unsupervised Multispectral Image Fusion in Remote Sensing

本文提出了一种用于遥感多光谱图像融合的生成式模型方法，该方法无需监督训练。该方法简化了学习的监督，并考虑了多目标损失函数来实现图像融合。损失函数包括光谱和空间失真。两个鉴别器的设计，以尽量减少频谱和空间失真的生成输出。使用三个公共领域的数据集进行了广泛的实验。四个降低分辨率和三个全分辨率客观指标的比较结果表明，开发的方法优于最近开发的方法。

2021-02-07eess.IV

遥感中的去激励对抗性防御

Demotivate adversarial defense in remote sensing

Alteia（Alteia公司）

卷积神经网络是目前遥感应用中的最先进的算法，如语义分割或目标检测。然而，这些算法对过度拟合，域变化和专门设计用于欺骗它们的对抗性示例非常敏感。虽然对抗攻击在大多数遥感应用中不是一种威胁，但人们可能会想，加强网络对对抗攻击的抵抗能力是否也能提高其对过度拟合的适应能力，以及处理全球数据固有多样性的能力。在这项工作中，我们研究了对抗性再训练和对抗性正则化作为对抗性防御。然而，我们通过在公共遥感数据集上的几个实验表明，对抗鲁棒性似乎与地理和过拟合鲁棒性无关。

2021-05-28cs.CVeess.IV

基于自适应多尺度PIIFD的多模态遥感图像配准

Multimodal Remote Sensing Image Registration Based on Adaptive Multi-scale PIIFD

近年来，由于多传感器视觉系统的广泛应用，多模态图像采集技术不断发展，基于多模态图像的配准问题逐渐显现。现有的多模态图像配准方法大多只适用于两种模态，无法统一配准多模态图像数据。为此，提出一种基于自适应多尺度PIIFD的多模态遥感图像配准方法（AM-PIIFD）。该方法提取KAZE特征，在滤除噪声的同时能有效地保留边缘特征信息。然后计算自适应多尺度PIIFD进行匹配。最后，通过特征主方向的一致性去除失配，实现图像配准变换。与其他三种先进方法的定性和定量比较表明，该方法在多模态遥感图像配准中具有良好的性能。

2022-11-09eess.IV

RRS-10K：用于罕见遥感图像解释的多任务视觉语言模型基准测试

RRS-10K: A Multitask Vision-Language Model Benchmark for Rare Remote Sensing Image Interpretation

Laboratory of Intelligent Language Processing, National University of Defense Technology（国防科技大学智能语言处理实验室）；Hefei University of Technology（合肥工业大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；United Arab Emirates University（阿联酋大学）

针对视觉语言模型在罕见遥感图像解释能力不足的问题，提出RRS-10K基准测试，含军事遥感图像及问答对，构建时引入干扰项过滤策略，评估多个模型，揭示其性能弱点，为开发更可靠的遥感视觉语言模型提供指导。

2026-07-29cs.AIeess.IV

一种基于多角度感兴趣区域的航空遥感图像目标检测与识别方法

An Efficient Target Detection and Recognition Method in Aerial Remote-sensing Images Based on Multiangle Regions-of-Interest

Beihang University（北京航空航天大学）

近年来，深度学习技术在图像识别领域得到了广泛的应用。但是，它的主要应用是普通图片和常见场景的识别和检测。如何有效、便捷地对无人机图像采集系统获取的遥感图像进行分析，包括目标识别和位置计算，是一个具有挑战性的问题。航空遥感图像与普通图片或图像相比，具有不同的拍摄角度和方法，这使得遥感图像在某些领域发挥着不可替代的作用。提出了一种基于深度卷积神经网络（CNN）的遥感图像目标检测与识别方法，该方法提供了图像的多层次信息，并结合区域建议网络生成多角度感兴趣区域。所提出的方法产生的结果是更准确和精确得多，比传统的方法获得的。这表明本文提出的模型在遥感图像识别中具有巨大的应用潜力。

2022-06-08cs.CVcs.NEeess.IV

基于多尺度全卷积网络的遥感影像土地覆盖分类

Land Cover Classification from Remote Sensing Images Based on Multi-Scale Fully Convolutional Network

Wuhan University（武汉大学）；Lancaster University（兰卡斯特大学）

提出了一种基于多尺度卷积核的多尺度全卷积网络（MSFCN），用于从二维（2D）卫星图像中提取鉴别表示。

2020-10-21cs.AIcs.CVeess.IV

遥感图像中的目标变化检测

Targeted change detection in remote sensing images

Skolkovo institute of Science and technology（斯科尔科沃科学技术研究所）

遥感系统和图像处理方面的最新发展使得有可能提出一种新的物体分类方法和探测卫星地球图像系列中的具体变化（所谓有针对性的变化探测）。在本文中，我们提出了一个正式的问题陈述，允许有效地使用深度学习方法来分析时间依赖的遥感图像序列。我们还介绍了一个新的框架，用于开发针对目标变化检测的深度学习模型，并展示了一些可以用于业务应用的案例。

2018-03-14cs.CEcs.CVeess.IV

基于SEN12MS数据集的遥感图像分类

Remote Sensing Image Classification with the SEN12MS Dataset

Munich University of Applied Sciences（慕尼黑应用科学大学）；Technical University of Munich（慕尼黑工业大学）

图像分类是利用计算机视觉的卷积神经网络进行深度学习的快速发展的主要驱动力之一。遥感中场景分类的类似任务也是如此。然而，与长期以来一直使用完善的大规模标准数据集来训练和基准测试高容量模型的计算机视觉社区相比，遥感社区仍然在很大程度上依赖于相对较小且通常依赖于应用程序的数据集，因此缺乏可比性。通过这封信，我们提出了一个面向分类的SEN12MS数据集转换。使用它，我们提供了基于两个标准CNN架构和不同输入数据配置的几个基线模型的结果。我们的研究结果支持遥感图像分类的基准，并提供见解的好处，多光谱数据和多传感器数据融合传统的RGB图像。

2021-04-01cs.CVeess.IV

通过模拟和深度学习打破遥感极限用于洪水和泥石流制图

Breaking the Limits of Remote Sensing by Simulation and Deep Learning for Flood and Debris Flow Mapping

the University of Tokyo（东京大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Disaster Prevention Research Institute, Kyoto University（京都大学防灾研究所）；RIKEN Center for Computational Science（理化学研究所计算科学中心）；Hiroshima University（广岛大学）

我们提出了一个框架，估计淹没深度（最高水位）和泥石流引起的地形变形从遥感图像集成深度学习和数值模拟。水和泥石流模拟器生成各种人工灾害场景的训练数据。我们发现，基于Attention U-Net和LinkNet架构的回归模型在这种合成数据上训练，可以从遥感衍生的变化检测地图和数字高程模型预测最大水位和地形变形。所提出的框架具有修复能力，从而减轻了假阴性，这是不可避免的遥感图像分析。我们的框架打破了遥感的限制，能够快速估计淹没深度和地形变形，这是应急响应，包括救援和救济活动的基本信息。我们进行实验的合成和真实数据的两个灾害事件，造成同时洪水和泥石流，并证明我们的方法的有效性定量和定性。

2020-06-09cs.CVeess.IV

面向遥感图像生成的流形约束正则化

Manifold Constraint Regularization for Remote Sensing Image Generation

Institute of Software Chinese Academy of Sciences, University of Chinese Academy of Sciences（中国科学院大学中国科学院软件研究所）；Tsinghua University（清华大学）；Hong Kong University of Science and Technology（香港科技大学）

本文首次提出流形约束正则化方法，通过新度量评估数据流形结构并约束 GAN 训练，缓解遥感图像生成中的过拟合问题，同时提升生成质量与下游任务性能。

2024-03-28cs.CVeess.IV

遥感领域的深度学习研究进展

Deep learning in remote sensing: a review

Remote Sensing Technology Institute (IMF), German Aerospace Center (DLR)（德国航空航天中心遥感技术研究所）；Signal Processing in Earth Observation (SiPEO), Technical University of Munich (TUM)（慕尼黑工业大学地球观测信号处理实验室）；Department of Geography, University of Zurich（苏黎世大学地理系）；Laboratory of GeoInformation Science and Remote Sensing, Wageningen University of Research（瓦赫宁根大学地理信息科学与遥感实验室）；State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS), Wuhan University（武汉大学测绘遥感信息工程国家重点实验室）；Institute of Computer Graphics and Vision, TU Graz（格拉茨技术大学计算机图形与视觉研究所）

站在向数据密集型科学的范式转变中，机器学习技术变得越来越重要。特别是，作为该领域的重大突破，深度学习已被证明是许多领域中极其强大的工具。我们应该接受深度学习作为所有人的关键吗？或者，我们应该抵制“黑箱”解决方案吗？在遥感界存在争议。在本文中，我们分析了将深度学习用于遥感数据分析的挑战，回顾了最新进展，并提供了资源，使遥感中的深度学习变得非常简单。更重要的是，我们倡导遥感科学家将他们的专业知识带入深度学习，并将其作为一个隐含的通用模型来应对前所未有的大规模影响力挑战，如气候变化和城市化。

2017-10-11cs.CVeess.IV

OGInfra：使用基于遥感的活动火灾数据地理定位石油和天然气基础设施

OGInfra: Geolocating Oil & Gas Infrastructure using Remote Sensing based Active Fire Data

University of Central Florida（中佛罗里达大学）；UT Arlington（德克萨斯大学阿灵顿分校）；NIT Delhi（德里国立理工学院）

遥感已经成为我们日常生活中至关重要的一部分，无论是使用GPS三角定位我们的位置还是为我们提供天气预报。它在军事、社会经济、商业甚至支持人道主义努力等领域有着多种应用。这项工作提出了一种新的技术，用于石油和天然气基础设施的自动地理定位，使用来自NASA FIRMS数据存储库的Active Fire Data和深度学习技术;使用ResNet 101实现了90.68%的最高准确度。

2022-10-30cs.CVeess.IV

通过扩散模型生成多样化实例以增强遥感图像中的少样本目标检测

Diverse Instance Generation via Diffusion Models for Enhanced Few-Shot Object Detection in Remote Sensing Images

Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Tsinghua University（清华大学）

本文提出通过扩散模型生成多样化遥感实例，提升少样本目标检测性能，实验表明方法在多个数据集上有效提升检测精度。

2026-09-10cs.CVeess.IV

MS-HLMO：多尺度局部主方向直方图在遥感图像配准中的应用

MS-HLMO: Multi-scale Histogram of Local Main Orientation for Remote Sensing Image Registration

Beijing Institute of Technology（北京理工大学）；Mississippi State University（密西西比州立大学）

多源图像配准由于图像之间的强度、旋转和尺度差异而具有挑战性。针对多源遥感影像的特点和差异，提出了一种基于特征的多尺度局部主方向直方图配准算法。首先采用Harris角点检测生成特征点;每个Harris特征点的HLMO特征是在具有广义梯度位置和方向直方图（GGLOH）特征描述符的部分主方向图（PIMs）上提取的，该特征描述符提供高强度、旋转和尺度不变性。通过多尺度匹配策略对特征点进行匹配。在17个多源遥感场景上的综合实验表明，本文提出的MS-HLMO及其简化版本MS-HLMO $^+$在配准效果和泛化能力方面优于其他竞争性算法。

2022-04-01cs.CVeess.IV

基于夜间遥感的区域城市经济发展研究

Research on Regional Urban Economic Development by Nightlight-time Remote Sensing

为了从夜光遥感影像的角度研究区域经济发展和城市扩张的现象，研究人员利用NOAA提供的夜光遥感影像数据（1992年至2013年的数据）配合ArcGIS软件对影像信息进行处理，获取影像特定区域的基本像素信息数据，并从时空域上对这些数据进行分析，呈现近年来中国区域经济发展的趋势，并试图探讨中国经济快速发展所带来的城市化效应。通过对数据的分析研究，结果表明，我国城市化发展速度仍处于高峰期，并具有很大的发展潜力和空间。但与此同时，人们也需要关注区域发展的不平衡。

2020-11-24econ.GNeess.IVq-fin.EC

跨尺度MAE：遥感图像中的多尺度利用故事

Cross-Scale MAE: A Tale of Multi-Scale Exploitation in Remote Sensing

本文提出Cross-Scale MAE，通过多尺度增强和对比生成损失确保一致的表示，优于标准MAE及其他遥感MAE方法。

2024-01-29cs.AIcs.CVeess.IV

使用多模态光声遥感显微镜和光学相干断层扫描的在体视网膜功能和结构成像

In vivo functional and structural retina imaging using multimodal photoacoustic remote sensing microscopy and optical coherence tomography

我们已经开发了一种多模态光声遥感（PARS）显微镜结合扫描源光学相干断层扫描在体内，非接触式视网膜成像。建立在多波长PARS成像的证明实力，该系统被应用于估计在大鼠视网膜的视网膜氧饱和度。该技术的能力是通过成像的显微解剖结构和微血管的视网膜在体内。据我们所知，这是第一次采用非接触式光声成像技术在体内测量视网膜中的氧饱和度。

2021-08-26eess.IVphysics.med-phphysics.optics