ISWSST: Index-space-wave State Superposition Transformers for Multispectral Remotely Sensed Imagery Semantic Segmentation
College of Urban and Environmental Science, Central China Normal University（华中师范大学城市与环境科学学院）
本文首次提出受量子力学启发的ISWSST模型，通过索引-空间-波态叠加、无损小波编解码和多光谱特征融合，提升多光谱遥感影像语义分割与边缘提取精度。
2024-07-03 cs.CV
Classification of LULC Change Detection using Remotely Sensed Data for Coimbatore City, Tamilnadu, India
Anna University（安娜大学）；Akshya College Of Engineering And Technology（阿克沙亚工程与技术学院）
地图是用来描述遥远的地方。它是导航和军事战略的辅助工具。土地测绘很重要，测绘工作基于（i）。自然资源管理与开发（二）。信息技术，㈢。环境发展（四）。设施管理及（v）。电子政务。几乎所有参与地球表面特征制图的组织和科学家，工程师和遥感界所支持的土地利用/土地覆盖系统是一个源自美国地质调查局（USGS）LULC分类系统的系统。遥感和地理信息系统的应用包括均匀带的影响、土地利用的漂移分析、新区变化的整合或变化检测等，印度国家遥感局政府根据各类地球表面特征、现有卫星数据的分辨率、传感器的能力以及目前和未来的应用，设计了一个针对印度情况的土地利用、土地利用变化的广义分类系统。高分辨率卫星影像为遥感应用提供了丰富的地表信息。利用变化检测方法从高分辨率影像中提取区域内目标变化，快速更新地理数据库信息处理。假设自动均匀的区域内的像素被独立分析。
2010-05-23 cs.CV
SwinMamba: A hybrid local-global mamba framework for enhancing semantic segmentation of remotely sensed images
Xi'an Jiaotong-Liverpool University（西交利物浦大学）；University of Liverpool（利物浦大学）；Nanyang Technological University（南洋理工大学）；SJTUSME-COSMOPlat Joint Research Center for New Generation Industrial Intelligent Technology（上海交通大学机械与动力工程学院-卡奥斯新一代工业智能技术联合研究中心）
针对遥感图像语义分割中局部特征易被忽略的问题，提出融合移位窗口局部扫描与全局扫描的SwinMamba框架，在LoveDA和ISPRS Potsdam数据集上超越现有最先进方法。
2025-09-25 cs.CV
SDRNET: Stacked Deep Residual Network for Accurate Semantic Segmentation of Fine-Resolution Remotely Sensed Images
Shenzhen University（深圳大学）；The Chinese University of Hong Kong（香港中文大学）；Nanjing Forestry University（南京林业大学）；Zhejiang Normal University（浙江师范大学）
针对高分辨率遥感图像语义分割中类别差异、遮挡和目标尺寸变化等挑战，提出堆叠深度残差网络SDRNet，利用双堆叠编码器-解码器结构与膨胀残差块捕获全局依赖并保留空间信息，在ISPRS数据集上表现优异。
2025-06-27 cs.AI cs.CV
Seg-LSTM: Performance of xLSTM for Semantic Segmentation of Remotely Sensed Images
Xi'an Jiaotong-Liverpool University（西交利物浦大学）；CSIRO Mineral Resources（联邦科学与工业研究组织矿产资源部）
Seg-LSTM首次评估了xLSTM在遥感图像语义分割中的性能，发现其表现逊于基于Transformer和Mamba的模型。
2024-06-20 cs.AI cs.CV cs.LG
ResUNet-a: a deep learning framework for semantic segmentation of remotely sensed data
Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61中心）；CSIRO Agriculture & Food（澳大利亚联邦科学与工业研究组织农业与食品研究所）；ICRAR, The University of Western Australia（西澳大利亚大学国际射电天文学研究中心）
高分辨率航空影像的场景理解对于各种遥感应用中的自动化监测任务具有重要意义。由于感兴趣的对象的像素值的类内方差大，类间方差小，这仍然是一项具有挑战性的任务。近年来，深度卷积神经网络已开始用于遥感应用，并展示了对象像素级分类的最新性能。\textcolor{black}{Here we propose a reliable framework for performant results for the task of semantic segmentation of monotemporal very high resolution aerial images. Our framework consists of a novel deep learning architecture, ResUNet-a, and a novel loss function based on the Dice loss. ResUNet-a uses a UNet encoder/decoder backbone, in combination with residual connections, atrous convolutions, pyramid scene parsing pooling and multi-tasking inference. ResUNet-a infers sequen…
2020-01-15 cs.CV
Performance of Human Annotators in Object Detection and Segmentation of Remotely Sensed Data
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
本研究通过实验室实验评估标注策略、数据不平衡和经验对人工标注员在遥感数据目标检测与分割表现的影响，发现标注员检测优于分割、更易漏检、表现受目标比例影响且经验未必提升表现。
2024-09-22 cs.CV
Rethinking Scanning Strategies with Vision Mamba in Semantic Segmentation of Remote Sensing Imagery: An Experimental Study
CSIRO Mineral Resources（联邦科学与工业研究组织矿产资源部）
本文通过在 LoveDA、ISPRS Potsdam 和 ISPRS Vaihingen 上的实验，评估 Mamba 不同扫描方向及组合对遥感影像语义分割的影响，发现简单单一扫描方向已足够。
2024-05-14 cs.CV
An approach to improving edge detection for facial and remotely sensed images using vector order statistics
Ahmadu Bello University（艾哈迈杜·贝罗大学）
提出了一种改进的基于向量顺序统计量的人脸图像和遥感图像边缘检测算法。该算法不需要将彩色图像转换为灰度图像，直接对彩色图像进行处理.现有的一些算法在边缘检测之前将彩色图像转换为灰度。但这一过程会导致识别边缘的精度不准确，从而在输出边缘图中产生假边缘和破损边缘。面部和遥感图像包括弯曲的边缘线，必须不断检测，以防止破碎的边缘。为了解决这一问题，引入了一种像素集合的方法，以最大限度地减少面部和遥感图像的输出边缘图中存在的假边缘和破损边缘。
2015-03-19 cs.CV
Superresolution of Noisy Remotely Sensed Images Through Directional Representations
University of Maryland（马里兰大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；US Census Bureau（美国人口普查局）
提出了一种基于离散剪切波变换的单图像遥感数据超分辨率算法。剪切波变换提取信号的方向特征，并且已知为广泛类别的图像提供接近最优的稀疏表示。与各向同性帧相比，这通常会导致边缘检测和图像表示方面的优异性能。我们证明使用剪切波数学，然后提出一个去噪单图像超分辨率算法，结合剪切波变换与稀疏混合估计（SME）。我们的算法进行了比较，与各种单图像超分辨率的方法，包括小波SME超分辨率。我们的数值结果表明，在PSNR和SSIM方面的竞争力的表现。
2018-09-04 cs.CV
Cellular Automata based adaptive resampling technique for the processing of remotely sensed imagery
National Institute of Technology, India（印度国立理工学院）
复原技术广泛应用于卫星图像处理的各个阶段。现有的方法不能完美地从完全欠采样的图像中恢复特征，因此需要一种智能的自适应恢复方法。我们解决这些问题，并采用现有文献中的误差度量来定义插值质量。我们还提出了一个新的rescovery计划，自适应方面的像素和纹理变化的图像。已经发现所提出的基于CNN的混合方法比现有方法表现更好，因为它参考图像特征自适应。
2014-02-05 cs.CV
Automatic Channel Network Extraction from Remotely Sensed Images by Singularity Analysis
University of Texas at Austin（德克萨斯大学奥斯汀分校）
河道网络的定量分析在河流研究中占有重要地位。为了提供通道网络的定量表示，我们提出了一种新的方法，从遥感图像中提取通道，并估计其宽度。我们的全自动方法是基于最近提出的多尺度奇异性指数，强烈响应曲线结构，但弱边缘。该算法使用水和非水像素具有对比度的单个图像（例如陆地卫星近红外波段图像或在多个波段上定义的水指数）生成通道图。所提出的方法提供了一个强大的替代程序，用于遥感河流地貌，使分类和分析的通道网络更容易。该算法的源代码可在http://live.ece.utexas.edu/research/cne/上获得。
2015-06-29 cs.CV
An N-dimensional approach towards object based classification of remotely sensed imagery
MANIT-Bhopal（曼尼普尔理工学院博帕尔分校）
遥感技术广泛用于土地覆盖分类和城市分析。高分辨率遥感图像的可用性限制了基于像素的方法所能达到的分类精度水平。本文介绍了一种基于分层支持向量机的基于对象的分类方法。通过结合空间和光谱信息，可以减少类别之间的重叠量，从而提高分类准确度和更准确的土地覆盖图。我们采用了一定的自动化方法的基础上，先进的技术，如细胞自动机和遗传算法的核心和调整参数的选择。性能评估与现有的方法相比，建议的方法进行参考博帕尔市研究区。
2013-03-26 cs.CV
UniDiff: Parameter-Efficient Adaptation of Diffusion Models for Land Cover Classification with Multi-Modal Remotely Sensed Imagery and Sparse Annotations
University of Houston（休斯敦大学）
UniDiff通过参数高效的方法适应扩散模型，实现多模态遥感数据在稀疏标注下的有效分类与融合。
2025-11-29 cs.CV
Focusing on Shadows for Predicting Heightmaps from Single Remotely Sensed RGB Images with Deep Learning
CYENS Center of Excellence（CYENS卓越中心）
在单张遥感影像中估算建筑物和植被的高度图是一个具有挑战性的问题。这个问题的有效解决方案可以包括解决复杂和苛刻的问题，需要在遥感学科的航空图像的三维信息，这可能是昂贵的或不可行的要求的垫脚石。我们提出了一个以任务为中心的深度学习（DL）模型，该模型利用遥感图像的阴影图来计算其高度图。阴影被有效地计算，并且不会显著增加计算复杂度。该模型使用航空图像及其激光雷达测量进行训练，在任务中实现了卓越的性能。我们使用覆盖英国曼彻斯特大面积的数据集以及2018年IEEE GRSS数据融合竞赛激光雷达数据集来验证该模型。我们的工作表明，建议的DL架构和技术注入阴影的信息到模型中是有价值的，以提高单遥感图像的高度图估计任务。
2021-04-22 cs.CV cs.LG
A Novel Filter Approach for Band Selection and Classification of Hyperspectral Remotely Sensed Images Using Normalized Mutual Information and Support Vector Machines
Mohammed V University（穆罕默德五世大学）
波段选择是高光谱遥感图像分类中的一个具有挑战性的问题。这是由于它的高光谱分辨率，许多类输出和有限数量的训练样本。为此，本文介绍了一种新的滤波器的降维和分类的高光谱图像的信息理论（归一化互信息）和支持向量机SVM。该方法包括从输入数据集中选择最具信息量和相关性的波段的最小子集，以获得更好的分类效率。我们应用我们提出的算法在两个著名的基准数据集收集的美国宇航局的AVIRIS传感器在印第安纳州和萨利纳斯谷在美国。基于该领域广泛使用的不同评价指标对实验结果进行了评估。与现有技术的方法的比较证明，我们的方法可以产生良好的性能，减少了选择的频带在一个良好的时机。关键词：降维，高光谱图像，波段选择，归一化互信息，分类，支持向量机
2022-10-27 cs.CV
Texture Based Classification of High Resolution Remotely Sensed Imagery using Weber Local Descriptor
Geo-informatics and Space Technology Development Agency (GISTDA)（地理信息与空间技术发展局）
传统的图像分类技术在应用于高空间分辨率数据时常常产生不令人满意的结果，因为高分辨率图像中的类在光谱上不是均匀的。纹理提供了一个替代的信息来源，这些图像进行分类。本文评估了最近开发的，计算简单的纹理度量称为韦伯局部描述符（WLD）用于分类高分辨率QuickBird全色数据。我们比较了WLD与最先进的纹理描述符（TD），包括本地二进制模式（LBP）及其旋转不变版本LBPRIU。我们还研究了结合VAR（一种捕获亮度变化的TD）是否会提高LBPRIU和WLD的准确性。我们发现WLD通常比我们检查的其他TD产生更准确的分类结果，并且对不同的参数也更鲁棒。我们已经实现了一个优化的算法来计算WLD，这使得该技术在计算时间方面是实用的。总体而言，我们的研究结果表明，WLD是一个很有前途的方法进行分类的高分辨率遥感数据。
2021-04-18 cs.CV
SAMA-VTOL: A new unmanned aircraft system for remotely sensed data collection
Sharif University of Technology（谢里夫理工大学）；University of Tehran（德黑兰大学）
近年来，无人机系统（UAS）经常被用于许多不同的摄影测量应用，如建筑物损坏监测，考古测绘和植被监测。本文提出了一种新的先进的垂直起降固定翼无人机系统，称为SAMA-VTOL。在这项研究中，SAMA-VTOL的能力进行了研究，用于生成正射影像。主要阶段包括设计、搭建和实验场景。首先，简要介绍了设计和构建。其次，进行了一个实验，以生成精确的正射影像与最少的地面控制点的要求。处理步骤，包括自动空中三角测量与相机校准和模型生成。在这方面，使用Pix 4Dmapper软件对图像进行定向、生成点云、创建数字表面模型和生成正射影像镶嵌图。基于26.3公顷的试验区域的实验结果表明，我们的SAMA-VTOL表现良好的正射镶嵌任务。
2020-11-22 cs.CV
Fusion of Image Segmentation Algorithms using Consensus Clustering
Princeton University（普林斯顿大学）；Middle East Technical University（中东技术大学）
提出了一种新的遥感图像分割融合方法，该方法将多个遥感图像分割算法的输出进行融合。使用基于过滤随机BOEM（最佳单元素移动）方法的随机优化算法处理候选分割集以实现一致分割。为此，通过设计一种新的远程学习方法，将滤波随机BOEM转化为分割融合问题。该算法还将最佳聚类数的计算嵌入到分割融合问题中。
2015-02-18 cs.CV
Scale-aware Neural Network for Semantic Segmentation of Multi-resolution Remote Sensing Images
Wuhan University（武汉大学）；Lancaster University（兰卡斯特大学）；UK Centre for Ecology & Hydrology（英国生态与水文中心）；University of Twente（特文特大学）
在像元级别上识别具有特定类别的地理空间对象是遥感图像分析的一项基本任务。随着传感器技术的快速发展，遥感图像可以在多个空间分辨率（MSR）的信息内容表现在不同的尺度。从这些MSR图像中提取信息代表了增强特征表示和表征的巨大机会。然而，MSR图像遭受两个关键问题：1）增加的尺度变化的地质对象和2）在粗糙的空间分辨率的详细信息的损失。为了弥补这些差距，在本文中，我们提出了一种新的尺度感知神经网络（SaNet）的MSR遥感图像的语义分割。SaNet部署了一个密集连接的特征网络（DCFFM）模块来捕获高质量的多尺度上下文，以便正确处理尺度变化，并提高大型和小型对象的分割质量。空间特征重新校准（SFRM）模块被进一步纳入到网络中，以学习具有增强空间关系的完整语义内容，其中信息丢失的负面影响被去除。DCFFM和SFRM的组合允许SaNet学习尺度感知的特征表示，其性能优于现有的多尺度特征表示。在三个语义分割数据集上的实验证明了SaNet在跨分辨率分割中的有效性。
2021-11-04 cs.CV eess.IV
Very Deep Super-Resolution of Remotely Sensed Images with Mean Square Error and Var-norm Estimators as Loss Functions
Institute of Informatics and Telecommunications, NCSR Demokritos（希腊德谟克利特国家研究中心信息与通信研究所）；University of West Attica（西阿提卡大学）；Helenic Air Force Academy（希腊空军学院）；The City College of New York（纽约市立学院）；Map Ltd（Map有限公司）
本文提出了一种超深分辨率（VDSR）方法，用于提高比例因子为4的遥感图像的空间分辨率。用Sentinel-2图像和无人机航空正射影像重新训练VDSR网络，从而分别成为RS-VDSR和Aero-VDSR。在卷积神经网络的回归层中，提出了一种新的损失函数，即Var-norm估计器。通过数值模拟和光学比较，本文提出的RS-VDSR和Aero-VDSR网络在遥感影像预测中的性能优于VDSR网络。RS-VDSR在Sentinel-2图像的PSNR方面优于VDSR高达3.16 dB。
2020-07-30 cs.CV eess.IV
Land Cover Classification from Multi-temporal, Multi-spectral Remotely Sensed Imagery using Patch-Based Recurrent Neural Networks
Florida State University（佛罗里达州立大学）
全球环境的可持续性依赖于大面积土地覆盖的准确信息。即使有越来越多的卫星系统和传感器获取光谱、空间、辐射和时间特性得到改善的数据，而且有新的数据分发政策，大多数现有的土地覆盖数据集仍然是从基于像素的单日期多光谱遥感图像中获得的，准确度很低。提高图像分类精度的瓶颈是如何发展一种准确有效的图像分类技术。通过整合和利用遥感图像中完整的多光谱、多时空信息，并考虑其内在的空间和时序相关性，提出了一种适合多时相遥感数据的基于块的RNN（PB-RNN）系统。该系统的设计结合了多时相遥感数据的鲜明特点。特别是，它使用多时间-频谱-空间样本，并处理由多时间数据系列中存在的云/阴影污染的像素。使用佛罗里达州大沼泽地生态系统研究网站，占地面积为771平方公里，所提出的PB-RNN系统取得了显着的改善，在分类精度比基于像素的RNN系统，基于像素的单图像神经网络系统，基于像素的多图像神经网络系统，基于块的单图像神经网络系统和基于块的多图像神经网络系统。例如，该系统实现了97.21%的分类准确率，而基于像素的单图像NN系统实现了64.74%。通过利用像PB-RNN这样的方法，我们相信可以有效地在大面积上生成更准确的土地覆盖数据集。
2017-08-02 cs.CV
Disaggregation of Remotely Sensed Soil Moisture in Heterogeneous Landscapes using Holistic Structure based Models
University of Florida（佛罗里达大学）
在这项研究中，一种新的机器学习算法的卫星土壤水分（SM）的分解的基础上自正则化回归模型（SRRM）使用高分辨率的相关信息辅助源。它包括正则化聚类，该聚类以精细尺度为每个像素分配软成员资格，然后是计算所有像素处所需变量的值的核回归。粗尺度遥感SM分解从10公里到1公里的土地覆盖，降水，地表温度，叶面积指数，和SM的原位观测。该算法进行了评估，使用多尺度合成观测在佛罗里达州北卡罗来纳州的异质农业土地覆盖。发现96%的像素的均方根误差（RMSE）小于0.02 $m^3/m^3$。生成的集群很好地代表了数据，并在土地覆盖和气象条件高度异质性期间将RMSE降低了高达40%。真正的SM和分解估计之间的Kullback Leibler分歧（KLD）接近0，植被和裸露土地覆盖。将分列的估计数与相关信息原则方法产生的估计数进行了比较。在季节的每一天，PRI分解估计的RMSE都高于SRRM的RMSE。SRRM生成的分解估计的KLD比PRI分解估计的KLD至少低四个数量级，而所需的计算时间减少了三倍。结果表明，SRRM可以在网格上以较高的精度分解具有复杂非线性相关的SM。
2016-01-20 cs.CV
Understanding Urban Water Consumption using Remotely Sensed Data
Stanford University（斯坦福大学）；Tata Research Development and Design Centre（塔塔研究开发与设计中心）
城市新陈代谢是一个活跃的研究领域，涉及估计城市地区的排放和资源消耗。分析可以通过实施优雅的机器学习算法，通过人工测量器来进行。在这项探索性工作中，我们估计了卫星图像拍摄的该地区建筑物的用水量。为此，我们将分析分为三个部分：i）给定卫星图像，识别建筑像素，其次是ii）从建筑像素识别建筑类型（住宅/非住宅），最后iii）使用建筑像素及其类型，使用市政调查获得的不同建筑类型的平均单位面积消耗量来估计用水量。
2023-01-06 cs.CV cs.LG
Feature Selection Parallel Technique for Remotely Sensed Imagery Classification
由于特征选择是图像处理和各种应用的前提，以特征选择为重点的遥感研究长期以来一直受到遥感界的关注。不同的特征选择方法被提出来提高分类精度。它们从基本的搜索技术到克隆选择，并且已经研究了各种最佳标准。近年来，基于依赖性度量的方法由于其处理高维数据集的能力而受到广泛关注。然而，这些方法都是基于Cramers V测试，这对大数据集有性能问题。在本文中，我们提出了一种并行的方法来提高他们的性能。我们评估我们的方法在高光谱和高空间分辨率的图像，并将其与所提出的方法进行比较，作为初步结果的集中版本。结果非常有希望。
2017-04-11 cs.CV cs.DC
UDHF2-Net: Uncertainty-diffusion-model-based High-Frequency TransFormer Network for Remotely Sensed Imagery Interpretation
Central China Normal University（华中师范大学）；Wuhan University（武汉大学）；The Ohio State University（俄亥俄州立大学）；University of Waterloo（滑铁卢大学）
针对遥感图像解译中的空间分布表示、边缘不确定性和几何配准误检问题，提出UDHF2-Net，通过引入高频连接范式、不确定性扩散模块及半伪孪生网络，有效提升了边缘提取与变化检测的精度并平衡了复杂度。
2025-05-28 cs.CV
ABCNet: Attentive Bilateral Contextual Network for Efficient Semantic Segmentation of Fine-Resolution Remote Sensing Images
Wuhan University（武汉大学）
遥感图像的语义分割在精准农业、环境保护、经济评价等方面有着重要的作用。近年来，大量的高分辨率遥感图像可用于语义分割。然而，由于空间分辨率的提高导致的复杂信息，最先进的深度学习算法通常利用复杂的网络架构进行分割，这通常会导致高计算复杂性。具体而言，卷积神经网络（CNN）的高性能在很大程度上依赖于细粒度的空间细节（精细分辨率）和足够的上下文信息（大的感受野），这两者都会引发高计算成本。这严重阻碍了它们在需要实时处理的现实场景中的实用性和可用性。在本文中，我们提出了一种注意双边上下文网络（ABCNet），一种具有双分支的卷积神经网络（CNN），与尖端算法相比，其计算消耗显著降低，同时保持了具有竞争力的准确性。代码可在https://github.com/lironui/ABCNet上获得。
2021-02-04 cs.CV
A Novel Transformer Based Semantic Segmentation Scheme for Fine-Resolution Remote Sensing Images
Wuhan University（武汉大学）；Lancaster University（兰卡斯特大学）；UK Centre for Ecology & Hydrology（英国生态与水文中心）
具有编码器-解码器架构的全卷积网络（FCN）已经成为语义分割的标准范例。编码器-解码器架构利用编码器来捕获多级特征图，该多级特征图由解码器并入到最终预测中。由于上下文对于精确分割至关重要，因此已经做出了巨大的努力来以智能的方式提取这样的信息，包括采用扩张/atrous卷积或插入注意力模块。然而，这些努力都是基于带有ResNet或其他主干的FCN架构，无法从理论概念上充分利用上下文。相比之下，我们引入Swin Transformer作为主干来提取上下文信息，并设计了一种新的密集连接特征聚合模块（DCFAM）解码器来恢复分辨率并产生分割图。在两个遥感语义分割数据集上的实验结果证明了该方法的有效性https://github.com/WangLibo1995/GeoSeg
2022-06-03 cs.CV
RSINet: Inpainting Remotely Sensed Images Using Triple GAN Framework
Indian Institute of Technology Bombay（印度理工学院孟买分校）；Purdue University（普渡大学）
本文研究了遥感领域的图像修补问题。遥感图像具有高分辨率和地理差异性，使得传统的图像修复方法效果不佳。这进一步要求模型具有高复杂性，以充分捕捉图像内的光谱、空间和纹理细微差别，这些细微差别来自图像的高空间变异性。为此，我们提出了一种新的修复方法，分别侧重于每个方面的图像，如边缘，颜色和纹理使用特定于任务的GAN。此外，每个个体GAN还结合了明确提取光谱和空间特征的注意力机制。为了确保一致的梯度流，该模型使用剩余学习范式，从而同时处理高级别和低级别特征。我们评估了我们的模型，以及以前的最先进的模型，在两个著名的遥感数据集，开放城市AI和画布上的地球，并取得了有竞争力的性能。
2022-02-12 cs.CV cs.LG eess.IV
Conditional Generative Adversarial Networks for Data Augmentation and Adaptation in Remotely Sensed Imagery
NVIDIA（英伟达）；CACI；NGA Research（NGA研究院）
获取与给定任务相关的标记数据的困难是将深度学习技术应用于新的或甚至稍微修改的领域的最常见和众所周知的实际障碍之一。当前一代监督学习算法所需的数据量通常远远超过人类学习和完成给定任务所需的数据量。我们研究如何使用生成对抗网络（GANs）将给定的标记遥感图像语料库扩展为更大的语料库。然后，我们测量这些额外的合成数据如何影响目标检测任务上的监督机器学习性能。我们的数据驱动策略是训练GANs以（1）生成合成分割掩模和（2）生成与这些分割掩模对应的合理合成遥感图像。这些GANs按顺序运行，可以生成带有分割标签的合成遥感图像。我们将此策略应用于ISPRS的2D语义标注大赛-波茨坦的数据集，并进行了车辆检测任务。我们发现，在有限的训练数据的情况下，增加可用的数据与这样的综合生成的数据可以提高检测器的性能。
2019-08-10 cs.CV cs.LG eess.IV
Uncertainty, Edge, and Reverse-Attention Guided Generative Adversarial Network for Automatic Building Detection in Remotely Sensed Images
Purdue University（普渡大学）
尽管最近在基于深度学习的语义分割方面取得了进展，但由于全球建筑物外观的巨大变化，从遥感图像中自动检测建筑物仍然是一个具有挑战性的问题。错误主要发生在建筑物覆盖区的边界周围，阴影区域，以及检测其外表面具有与周围区域非常相似的反射特性的建筑物时。为了克服这些问题，我们提出了一个基于生成对抗网络的分割框架，该框架在生成器中嵌入了不确定性注意单元和细化模块。细化模块由边缘和反向注意单元组成，用于细化预测的建筑物地图。边缘注意力增强了边界特征，以更高的精度估计建筑物边界，而反向注意力允许网络探索先前估计区域中缺失的特征。不确定性注意单元帮助网络解决分类中的不确定性。作为对我们方法的力量的衡量，截至2021年12月4日，它在DeepGlobe的公共排行榜上排名第二，尽管我们方法的主要重点-建筑边缘的细化-与排行榜排名所用的指标并不完全一致。我们在DeepGlobe挑战性数据集上的总体F1得分为0.745。我们还报告了对具有挑战性的INRIA验证数据集的先前最佳结果的改进，我们的网络实现了81.28%的总体IoU和97.03%的总体准确度。同样，对于官方的INRIA测试数据集，我们的网络在整体IoU和准确性方面的得分分别为77.86%和96.41%。
2021-12-10 cs.CV cs.LG
Cloud Detection through Wavelet Transforms in Machine Learning and Deep Learning
University of Strathclyde（思克莱德大学）
云检测是利用遥感数据进行图像识别和目标检测的一个专门应用。这项任务带来了许多挑战，包括分析在可见光，红外和多光谱频率下获得的图像，通常没有地面真实数据进行比较。此外，应用于此任务的机器学习和深度学习（MLDL）算法需要具有计算效率，因为它们通常部署在低功耗设备中并被调用以实时操作。本文解释了小波变换（WT）理论，比较它更广泛使用的图像和信号处理变换，并探讨了使用WT作为一个强大的信号压缩器和特征提取器的MLDL分类。
2020-07-10 cs.CV cs.LG eess.IV
Exploiting Digital Surface Models for Inferring Super-Resolution for Remotely Sensed Images
CYENS Center of Excellence（塞浦路斯卓越中心）
尽管大量的成功的超分辨率重建（SRR）模型应用于自然图像，他们的应用遥感图像往往产生不佳的结果。遥感图像通常比自然图像更复杂，并且具有其特性，例如分辨率较低，它包含噪声，并且通常描绘大纹理表面。因此，在遥感图像上应用非专业的SRR模型会导致伪影和重建效果不佳。为了解决这些问题，本文提出了一个架构的启发，以前的研究工作，介绍了一种新的方法，迫使SRR模型输出逼真的遥感图像：而不是依赖于特征空间的相似性作为感知损失，该模型认为像素级信息推断的归一化数字表面模型（nDSM）的图像。该策略允许在模型训练期间应用更好的信息更新，该模型来自与遥感密切相关的任务（高程图推断）。尽管如此，在生产过程中不需要nDSM辅助信息，因此该模型推断出超分辨率图像，除了其低分辨率对之外没有任何附加数据。我们在两个不同空间分辨率的遥感数据集上评估了我们的模型，这些数据集还包含图像的DSM对：DFC2018数据集和包含卢森堡国家激光雷达飞越的数据集。基于视觉检查，推断的超分辨率图像表现出特别优异的质量。特别是，高分辨率DFC2018数据集的结果是真实的，几乎无法与地面实况图像区分开来。
2022-09-13 cs.CV cs.LG eess.IV
Corn Yield Prediction based on Remotely Sensed Variables Using Variational Autoencoder and Multiple Instance Regression
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
在美国，玉米是产量最高的作物，一直是美国人饮食的重要组成部分。为了满足供应链管理和区域粮食安全的需求，准确及时的大规模玉米产量预测在精准农业中越来越受到重视。近年来，遥感技术和机器学习方法在作物产量预测中得到了广泛的应用。目前，县级产量预测模型大多采用县级均值变量进行预测，忽略了大量的细节信息。此外，作物面积和卫星传感器之间的空间分辨率不一致导致混合像素，这可能会降低预测精度。只有少数工作解决了大规模作物产量预测中的混合像素问题。为了解决信息丢失和混合像素的问题，我们开发了一个基于变分自编码器（VAE）的多实例回归（MIR）模型用于大规模玉米产量预测。我们使用所有未标记的数据来训练一个VAE和训练良好的VAE异常检测。作为一种预处理方法，异常检测可以帮助MIR找到比传统MIR方法更好的每袋的代表性，从而更好地执行大规模的玉米产量预测。我们的实验表明，基于变分自编码器的多实例回归（VAEIIR）在大规模玉米产量预测中优于所有基线方法。虽然需要一个合适的Meta参数，VAEMIR显示出良好的潜力，在大规模的玉米产量预测的特征学习和提取。
2022-11-23 cs.CV cs.LG
Simplifying Two-Stage Detectors for On-Device Inference in Remote Sensing
针对遥感两阶段检测器端侧部署延迟高的问题，提出仅用单特征提取加RPN得分图高通滤波的简化方法，可适配多种主流两阶段检测器，在DOTAv1.5上实现61.2%计算成本降低且精度损失小于2.1%。
2024-04-11 cs.CV
Effective Cloud Detection and Segmentation using a Gradient-Based Algorithm for Satellite Imagery; Application to improve PERSIANN-CCS
The Pennsylvania State University（宾夕法尼亚州立大学）；University of California, Irvine（加州大学欧文分校）
能够有效地识别云并监测其演变是实现更准确的定量降水估计和预报的重要一步。在这项研究中，一个新的基于梯度的云图像分割技术开发使用的工具，从图像处理技术。该方法将形态学图像的梯度幅度集成到可分离的云系统和补丁边界。为了降低图像分割对噪声的敏感性，并捕获具有各种边缘精细度的遥感图像中的目标，实现了一种变尺度核。所提出的方法是灵活的和可扩展的单到多光谱图像。通过将所提出的分割算法应用于由高分辨率天气预报模型模拟的地球同步业务环境卫星（GOES-R）通道的合成辐射度，进行了案例研究以验证该算法。所提出的方法相比，毫不逊色于现有的云补丁为基础的分割技术实现的PERSIANN-CCS（降水估计从遥感信息使用人工神经网络-云分类系统）降雨反演算法。基于事件的图像的评估表明，该算法有可能提高降雨检测和估计技能，与PERSIANN-CCS中使用的分割技术相比，平均增益超过45%，并将云区域识别为准确率高达98%的对象。
2018-09-27 cs.CV
Domain-guided Machine Learning for Remotely Sensed In-Season Crop Growth Estimation
University of Florida（佛罗里达大学）
先进的机器学习技术已用于遥感应用，如作物制图和产量预测，但在跟踪作物进展方面仍未得到充分利用。在这项研究中，我们展示了使用作物生长驱动因素的农学知识，在一个基于长短期记忆，域引导神经网络（DgNN）在季节作物进展估计。DgNN使用分支结构和注意力来分离独立的作物生长驱动因素，并在整个生长季节捕获它们不同的重要性。DgNN用于玉米，使用2003-2019年期间爱荷华州的RS数据，使用USDA作物进展报告作为地面实况。状态范围的DgNN性能显示出显着的改善顺序和密集的NN结构，和广泛使用的隐马尔可夫模型方法。DgNN在所有生长阶段的Nash-Sutfliffe效率高出4.0%，在测试年份中，具有最高余弦相似性的周数比下一个最佳NN多39%。DgNN和序贯NN在作物生长异常期间更稳健，尽管所有方法都难以估计吐丝-谷粒填充过渡。最后，层激活的均匀流形近似和投影可视化显示了基于LSTM的NN如何将作物生长时间序列与仅密度结构分开。这项研究的结果表明，在作物生长阶段估计（CGSE）和使用领域知识的好处，神经网络的可行性。这里提出的DgNN方法可以扩展到提供其他作物的近实时的CGSE。
2021-09-22 cs.CV cs.LG
Monitoring Urban Forests from Auto-Generated Segmentation Maps
Remote Sensing Technology Institute, German Aerospace Center（德国航空航天中心遥感技术研究所）；Technical University of Munich（慕尼黑工业大学）；TJ Watson Research Center, IBM Research（IBM研究院托马斯·J·沃森研究中心）
我们提出并评估了一种弱监督的方法来量化的空间和时间分布的城市森林的基础上遥感数据与接近零的人类互动。成功训练用于语义分割的机器学习模型通常取决于高质量标签的可用性。我们评估的好处，高分辨率，三维点云数据（LiDAR）的噪声标签的来源，以训练模型的本地化的树木正射影像。作为概念证明，我们感觉到飓风桑迪对纽约市康尼岛城市森林的影响，并将其与纽约市布鲁克林受影响较小的城市空间进行比较。
2022-06-14 cs.AI cs.CV cs.CY
A Review of Landcover Classification with Very-High Resolution Remotely Sensed Optical Images-Analysis Unit,Model Scalability and Transferability
The Ohio State University（俄亥俄州立大学）；Michigan Technological University（密歇根理工大学）
土地覆盖分类作为遥感的一个重要应用，一直是超高分辨率遥感图像分析中最具挑战性的任务之一。随着越来越多的基于深度学习（DL）的土地覆盖方法和训练策略被认为是最先进的，土地覆盖制图方法已经支离破碎的技术格局变得更加复杂。虽然有大量的文献综述工作试图指导研究人员对土地覆盖制图方法做出明智的选择，但这些文章要么专注于特定领域的应用综述，要么围绕一般的深度学习模型，缺乏对不断发展的土地覆盖制图方法的系统观点。此外，在数据驱动方法占主导地位的时代，与训练样本和模型可移植性有关的问题变得比以往任何时候都更加重要，但这些问题在以前关于遥感分类的评论文章中的讨论程度较低。因此，本文从土地覆盖制图任务的学习方法和不同的基本分析单元出发，对现有方法进行了系统的概述，并从遥感分类的可扩展性和可移植性的三个方面提出了挑战和解决方案，包括（1）数据的稀疏性和不平衡性，（2）不同地理区域之间的领域差距，（3）遥感分类的可扩展性和可移植性。（3）多源多视融合。我们详细讨论了这些分类方法中的每一种，并在这些发展中得出结论性意见，并为继续努力提出潜在的方向。
2022-02-07 cs.CV eess.IV
OGNet: Towards a Global Oil and Gas Infrastructure Database using Deep Learning on Remotely Sensed Imagery
Stanford University（斯坦福大学）；Descartes Labs（笛卡尔实验室）；Environmental Defense Fund（美国环保协会）
地球目前正在经历的变暖至少有四分之一是人为甲烷排放造成的。有多颗卫星在轨道上，并计划在今后几年内发射，这些卫星可以探测和量化这些排放;然而，要将甲烷排放归因于地面上的排放源，就必须建立一个关于全世界排放源的位置和特点的综合数据库。在这项工作中，我们开发了深度学习算法，利用免费提供的高分辨率航空图像自动检测石油和天然气基础设施，这是全球甲烷排放的最大贡献者之一。我们使用最好的算法，我们称之为OGNet，再加上专家评审，以确定炼油厂和石油码头在美国的位置，我们表明，OGNet检测到许多设施，不存在于石油和天然气基础设施的四个标准的公共数据集。所有检测到的设施都与已知的甲烷排放特征有关，包括基础设施类型和储罐数量。本研究中收集和制作的数据可在http://stanfordmlgroup.github.io/projects/ognet上免费获得。
2020-11-14 cs.AI cs.CV cs.LG
Multi-image Super Resolution of Remotely Sensed Images using Residual Feature Attention Deep Neural Networks
Politecnico di Torino（都灵理工大学）；PIC4SeR（都灵理工大学跨部门服务机器人中心）
卷积神经网络（CNN）一直被证明是图像超分辨率（SR）的最新成果，为遥感领域从捕获的数据中提取更多信息和知识提供了一个难得的机会。然而，迄今为止，文献中发表的大多数工作都集中在单图像超分辨率问题上。目前，基于卫星的遥感平台提供了巨大的数据可用性与高的时间分辨率和低的空间分辨率。在这种情况下，本研究提出了一种新的剩余注意力模型（RAMS），有效地解决了多图像超分辨率任务，同时利用空间和时间相关性来组合多个图像。我们引入了三维卷积的视觉特征注意机制，以获得多个低分辨率图像的感知数据融合和信息提取，超越卷积操作的局部区域的限制。此外，在同一场景中有多个输入，我们的表示学习网络广泛使用嵌套的残差连接，让冗余的低频信号流动，并将计算集中在更重要的高频分量上。针对其他可用解决方案的广泛实验和评估，无论是单图像还是多图像超分辨率，都表明所提出的基于深度学习的解决方案可以被认为是遥感应用中多图像超分辨率的最新技术。
2020-07-08 cs.CV cs.LG eess.IV
CEU-Net: Ensemble Semantic Segmentation of Hyperspectral Images Using Clustering
大多数高光谱图像的语义分割方法都需要对遥感图像进行预处理，以实现对不同土地覆盖类型的准确分类。这些方法使用修补来将丰富的邻域信息纳入图像中，并利用最常见的HSI数据集的简单性和可分割性。相比之下，世界上大多数陆地由重叠和分散的类组成，使得邻域信息比常见的HSI数据集中看到的要弱。为了解决这个问题，并将分割模型推广到更复杂和更多样化的HSI数据集，在这项工作中，我们提出了我们的新旗舰模型：聚类EnergyU-Net（CEU-Net）。CEU-Net使用集成方法将从卷积神经网络（CNN）训练中提取的光谱信息结合在一组景观像素上。我们的CEU-Net模型优于现有的最先进的HSI语义分割方法，并在与基线模型相比时，无论是否打补丁，都具有竞争力的性能。我们强调CEU-Net在博茨瓦纳，KSC和萨利纳斯数据集上的高性能，与HybridSN和AeroRIT方法相比。
2022-03-14 cs.CV cs.LG
Building-road Collaborative Extraction from Remotely Sensed Images via Cross-Interaction
针对遥感影像中建筑物与道路常被孤立提取的问题，提出融合多任务交互与跨尺度交互的协同提取方法，以利用二者空间互补性并提升性能与效率。
2024-04-10 cs.AI cs.CV
ΩSFormer: Dual-Modal Ω-like Super-Resolution Transformer Network for Cross-scale and High-accuracy Terraced Field Vectorization Extraction
Central China Normal University（华中师范大学）；Industry and Information Technology Bureau of Lingbao City（灵宝市工业和信息化局）；Wuhan University（武汉大学）
针对梯田矢量化提取问题，首次提出双模态Ω形超分辨率Transformer网络ΩSFormer，通过融合高分辨率与下采样特征、Ω形结构整合跨模态特征等，提升提取精度并创建DMRVD数据集。
2024-11-26 cs.CV
MARTA GANs: Unsupervised Representation Learning for Remote Sensing Image Classification
Key Laboratory of Technology in Geo-spatial Information Processing and Application System, Chinese Academy of Sciences（中国科学院空间信息处理与应用系统技术重点实验室）
随着深度学习的发展，监督学习已被频繁地用于使用卷积网络（CNN）对遥感图像进行分类。然而，由于可用的标记数据量有限，监督学习往往难以进行。因此，我们提出了一种称为多层特征匹配生成对抗网络（MARTA GANs）的无监督模型，仅使用未标记的数据来学习表示。MARTA GANs由生成模型$G$和判别模型$D$组成。我们把$D$作为特征提取器。为了适应遥感数据的复杂特性，我们使用一个融合层来合并中间层和全局特征。$G$可以产生许多与训练数据相似的图像;因此，$D$可以使用$G$提供的训练数据来学习更好的遥感图像表示。在两个广泛使用的遥感图像数据库上的分类结果表明，与其他现有方法相比，该方法显著提高了分类性能。
2017-11-21 cs.CV
Detecting Changes Between Optical Images of Different Spatial and Spectral Resolutions: a Fusion-Based Approach
University of Toulouse（图卢兹大学）；University of Cambridge（剑桥大学）
变化检测是遥感图像分析中最具挑战性的问题之一。比较通过同一种传感器获取的多个数据图像是最常见的情况。相反，当图像由两种不同类型的传感器采集时，设计鲁棒、灵活和可扩展的变化检测算法变得更具挑战性。这种情况发生在紧急情况下的关键限制。本文介绍了，尽作者所知，第一个策略来处理光学图像的特点是不同的空间和光谱分辨率。典型的考虑场景包括全色或多光谱和高光谱图像之间的变化检测。拟议的战略包括3个步骤：i）通过融合两个观察到的图像来推断高空间和光谱分辨率图像，所述两个观察到的图像的一个特征在于低空间分辨率，另一个特征在于低光谱分辨率，ii）通过融合图像的退化来预测分别具有与观察图像相同的空间和光谱分辨率的两个图像，以及iii）对由相同的空间和光谱分辨率表征的每对观测图像和预测图像实施决策规则以识别变化。所提出的框架的性能进行评估，真实图像与模拟现实的变化。
2016-09-20 cs.CV physics.data-an
Adaptive Deep Pyramid Matching for Remote Sensing Scene Classification
Nanjing University of Information Science and Technology（南京信息工程大学）；Beijing Electro-Mechanical Engineering Institute（北京机电工程研究所）；University of Extremadura（埃斯特雷马杜拉大学）
卷积神经网络（CNN）在遥感领域引起了越来越多的关注。大多数CNN仅将最后的全连接层作为遥感图像分类的特征，而丢弃其他可能对分类目的也有帮助的卷积层特征。在本文中，我们提出了一种新的自适应深度金字塔匹配（ADPM）模型，利用所有的卷积层的遥感图像分类的功能。为此，从数据本身学习不同卷积层的最佳融合权重。在遥感图像中，感兴趣的目标在不同的场景中表现出不同的尺度，甚至单个场景可能包含不同大小的目标。为了解决这个问题，我们选择了具有空间金字塔池（SPP-net）的CNN作为基本深度网络，并进一步构建了多尺度ADPM模型，以从多尺度图像中学习互补信息。我们的实验已经进行了使用两个广泛使用的遥感图像数据库，结果表明，该方法显着提高了性能相比，其他国家的最先进的方法。
2016-11-11 cs.CV
BlessemFlood21: Advancing Flood Analysis with a High-Resolution Georeferenced Dataset for Humanitarian Aid Support
Fraunhofer ITWM（弗劳恩霍夫信息技术与微系统研究所）；Hochschule Darmstadt（达姆施塔特应用科学大学）；Hochschule Koblenz（科布伦茨应用科学大学）
针对洪水灾害中遥感影像分析效率不足的问题，研究团队推出采集自2021年德国布莱塞姆洪水的高分辨率带地理参考的BlessemFlood21数据集，提供带标注RGB数据与语义分割基线，助力洪水检测算法研发与人道主义援助。
2024-07-06 cs.CV eess.IV
TorchGeo: Deep Learning With Geospatial Data
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Microsoft（微软）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
遥感地球空间数据对于精准农业、城市规划、灾害监测和应对以及气候变化研究等应用至关重要。鉴于深度神经网络在类似的计算机视觉任务中的成功以及可用的遥感图像的绝对数量，深度学习方法对于建模许多遥感任务特别有前途。然而，数据汇集方法和地理空间元数据处理的差异使得深度学习方法在遥感数据中的应用变得不平凡。例如，卫星图像通常包括红色、绿色和蓝色以外的其他光谱波段，并且必须连接到可能具有不同坐标系、边界和分辨率的其他地理空间数据源。为了帮助实现深度学习在遥感应用中的潜力，我们引入了TorchGeo，这是一个用于将地理空间数据集成到PyTorch深度学习生态系统中的Python库。TorchGeo为各种基准数据集提供数据加载器，为通用地理空间数据源提供可组合数据集，为地理空间数据提供采样器，并与多光谱图像一起工作。TorchGeo也是第一个为多光谱卫星图像提供预训练模型的库（例如，使用哨兵-2号卫星所有波段的模型），从而能够在标记数据有限的下游遥感任务上推进迁移学习。我们使用TorchGeo在现有数据集上创建可重复的基准测试结果，并对我们提出的用于实时预处理地理空间图像的方法进行基准测试。TorchGeo是开源的，可以在GitHub上找到：https://github.com/microsoft/torchgeo。
2022-09-17 cs.CV cs.LG
Panoptic Segmentation Meets Remote Sensing
University of Brasilia（巴西利亚大学）
全景分割结合了实例和语义预测，允许同时检测“事物”和“东西”。有效地接近遥感数据中的全景分割在许多具有挑战性的问题中可能是幸运的，因为它允许连续映射和特定目标计数。有几个困难阻碍了这一任务在遥感中的发展：（a）大多数算法是为传统图像设计的，（b）图像标记必须包括“物”和“物”类，（c）注释格式复杂。因此，为了解决和提高遥感中的全景分割的可操作性，本研究有五个目标：（1）建立一个新的全景分割的数据准备管道;（2）提出一个用于生成全景标注的标注转换软件;（3）提出一个关于城市地区的新数据集，（4）修改任务的Detectron 2，（5）评估在城市环境中这项任务的难度。我们使用了一个空间分辨率为0.24米的航空图像，考虑14类。我们的流水线考虑了三个图像输入，并且所提出的软件使用点shapefiles来创建COCO格式的样本。我们的研究生成了3，400个512 x512像素尺寸的样本。我们使用具有两个主干（ResNet-50和ResNet-101）的Panoptic-FPN，并且模型评估考虑了语义实例和panoptic度量。我们获得了平均IoU、箱AP和PQ的93.9、47.7和64.9。我们的研究提出了第一个有效的管道全景分割和广泛的数据库，供其他研究人员使用和处理其他数据或相关问题，需要一个彻底的场景理解。
2021-11-30 cs.AI cs.CV cs.DB
Estimating building energy efficiency from street view imagery, aerial imagery, and land surface temperature data
Stanford University（斯坦福大学）；IBM Research Europe（IBM欧洲研究院）；IBM Europe（IBM欧洲）
目前确定建筑物能源效率的方法需要经过认证的能源审计员进行现场访问，这使得该过程缓慢，成本高，并且在地理上不完整。为了加快大规模确定有前途的改造目标，我们建议仅从广泛可用的遥感数据源（即街景、鸟瞰图、足迹和卫星地面温度（LST）数据）估计建筑物的能效。在收集了英国近40，000座建筑物的数据后，我们通过训练多个端到端深度学习模型来组合这些数据源，目标是将建筑物分类为节能（欧盟评级A-D）或低效（欧盟评级E-G）。在对训练模型进行定量和定性评估后，我们通过研究消融研究中每个数据源的预测能力来扩展我们的分析。我们发现，在所有四个数据源上训练的端到端深度学习模型的宏观平均F1得分为64.64%，分别比基于k-NN和SVM的基线模型高出14.13至12.02个百分点。因此，这项工作显示了遥感数据在预测能源效率方面的潜力和互补性，并为今后整合更多数据来源的工作开辟了新的机会。
2022-08-24 cs.AI cs.CV
Hyperspectral Images Classification Using Energy Profiles of Spatial and Spectral Features
Hamedan University of Technology（哈马丹工业大学）；Tarbiat Modares University（塔比亚特·莫达雷斯大学）
提出了一种基于特征能量的高光谱图像空间特征提取方法。提出的正交滤波器组提取的空间特征的最大能量的主成分，然后，配置文件是基于这些功能构建。该方法的一个重要特点是滤波器组系数是从数据的统计特性中提取的，因此与其他滤波器（如Gabor滤波器）相比，滤波器组系数更符合遥感图像的类型和纹理。为了评估所提出的特征提取方法的性能，提取的特征被送入一个支持向量机（SVM）分类器。实验上广泛使用的高光谱图像，即印度松，和萨利纳斯数据集表明，所提出的方法提高了分类结果相比，最近的一些光谱空间分类方法。
2018-07-24 cs.CV
The Segmentation Fusion Method On10 Multi-Sensors
Yeshwant Mahavidyala College（耶什万特·马哈维迪亚拉学院）
最显著的问题可能是融合图像的光谱特征的不期望的影响，以及使用融合图像的益处主要是与由一个传感器同时获取的它们的源图像相比。它们可能适合或可能不适合于其他图像的融合。因此，它变得越来越重要的调查技术，使多传感器，多数据图像融合，以作出最后的结论，可以得出最合适的融合方法。因此，在这项研究中，我们提出了一种新的方法分割融合方法（SF）的遥感图像提出了考虑传感器的物理特性，它使用一个特征级的处理范例。在一个特别的是，试图测试所提出的方法的性能上10多传感器图像和比较它与不同的融合技术，通过使用各种空间和光谱度量定量估计的质量和程度的信息改善。
2012-08-23 cs.CV
Enhancing Remote Sensing Image Retrieval with Triplet Deep Metric Learning Network
University of Nottingham Ningbo China（宁波诺丁汉大学）；Shenzhen University（深圳大学）；University of Nottingham（诺丁汉大学）
随着遥感影像数据的快速增长，对有效的影像检索工具提出了更高的要求。本文提出了一种基于三元组深度度量学习卷积神经网络（CNN）的遥感图像检索方法。通过构造一个具有度量学习目标函数的Triplet网络，在同一类图像距离较近而不同类图像距离较远的语义空间中提取图像的代表性特征。在这样一个语义空间中，可以直接使用简单的度量指标如欧氏距离来比较图像的相似性，有效地检索同类图像。我们还研究了一个监督和一个无监督学习的方法来减少学习的语义特征的维数。我们提出了两个公开的遥感图像检索数据集的综合实验结果，并表明我们的方法显着优于国家的最先进的。
2019-02-15 cs.CV
