RSMamba: Remote Sensing Image Classification with State Space Model
Beihang University(北京航空航天大学);The University of Hong Kong(香港大学)
本文提出RSMamba,一种基于状态空间模型Mamba的遥感图像分类架构,通过动态多路径激活机制增强对二维非因果数据的建模能力,在多个数据集上取得优越性能。
2024-03-28 cs.CV
Unsupervised Deep Features for Remote Sensing Image Matching via Discriminator Network
Lahore University of Management Sciences(拉合尔管理科学大学)
深度感知网络的出现带来了机器视觉和图像感知的范式转变。最近通过潜在空间中的手工特征进行的图像理解已经被从监督网络获得的深层特征所取代,以提高理解。然而,这种深度网络需要严格的监督,需要大量的标记数据来进行真实的训练过程。这些方法在缺乏标记数据的领域表现不佳,特别是在遥感图像检索的情况下。解决这个问题,我们提出了一个无监督的编码器-解码器的遥感图像匹配(RSIM)功能。此外,我们用深度神经网络代替传统的距离度量来识别图像对的相似性。据我们所知,在解决RSIM问题之前,还从未使用过递归网络。两个公开的基准遥感图像数据集的结果进行了验证。该技术也被研究为基于内容的遥感图像检索(CBRSIR),RSIM的广泛使用的应用程序之一。结果表明,我们的技术取代国家的最先进的方法用于无监督图像匹配的平均平均精度(mAP)为81%,和图像检索的mAP分数的整体改善约12%。
2018-10-15 cs.CV
Learning Low Dimensional Convolutional Neural Networks for High-Resolution Remote Sensing Image Retrieval
State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University(武汉大学测绘遥感信息工程国家重点实验室);Electrical Engineering and Computer Science, University of California, Merced(加州大学默塞德分校电气工程与计算机科学系)
学习强大的特征表示用于图像检索一直是遥感领域的一个具有挑战性的任务。传统的方法主要集中在提取低层次的手工特征,这不仅耗时,而且往往会达到不满意的性能,由于遥感图像的内容复杂。在本文中,我们研究了如何提取基于卷积神经网络(CNN)的高分辨率遥感图像检索(HRRSIR)的深度特征表示。为此,提出了两个有效的计划,以产生强大的功能表示HRRSIR。在第一种方案中,分别从预训练的CNN模型的全连接层和卷积层中提取深度特征;在第二种方案中,我们提出了一种基于传统卷积层和三层感知器的新型CNN架构。然后在大型遥感数据集上训练新的CNN模型以学习低维特征。这两个方案在几个公共和具有挑战性的数据集上进行了评估,结果表明,所提出的方案,特别是新的CNN能够实现最先进的性能。
2016-12-30 cs.CV
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。
2019-10-31 cs.CV cs.LG eess.IV
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。
2020-11-14 cs.CV eess.IV
What do We Learn by Semantic Scene Understanding for Remote Sensing imagery in CNN framework?
School of Geosciences and Info Physics, Central South University(中南大学地球科学与信息物理学院)
近年来,深度卷积神经网络(DCNN)在自然图像识别领域取得了越来越显著的成功并迅速发展。与自然图像相比,遥感图像的尺度更大,所代表的场景和目标更宏观。本研究探讨了遥感场景与自然场景识别是否存在差异,并提出了以下问题:遥感场景识别的关键因素是什么?以物体识别为核心的DCNN识别机制是否还适用于遥感场景理解的场景?我们进行了几个实验,从场景复杂度的角度探讨DCNN结构和遥感场景理解的规模的影响。我们的实验表明,理解一个复杂的场景取决于一个深入的网络和多尺度感知。采用可视化的方法,定性和定量地分析了复杂遥感场景中的识别机制,论证了多目标联合语义支持的重要性。
2017-05-19 cs.CV cs.LG
Remote Sensing Vision-Language Foundation Models without Annotations via Ground Remote Alignment
Cornell University(康奈尔大学);Columbia University(哥伦比亚大学)
本研究提出以配对的地面互联网图像为中介、通过无监督方式将遥感图像编码器与CLIP对齐的方法,训练出首个无文本标注的遥感大规模VLM,在多项零样本开放词汇任务上性能超越有监督模型。
2023-12-12 cs.CV cs.LG
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。
2021-05-28 cs.CV eess.IV
Remote Sensing ChatGPT: Solving Remote Sensing Tasks with ChatGPT and Visual Models
Wuhan University(武汉大学)
本文提出Remote Sensing ChatGPT,利用ChatGPT理解用户请求并规划执行遥感解译子任务,通过视觉提示注入图像信息,使非专家用户也能便捷完成多种遥感任务。
2024-01-17 cs.CV
LSKNet: A Foundation Lightweight Backbone for Remote Sensing
Nankai University(南开大学);Academy of Advanced Technology Research of Hunan(湖南先进技术研究院);NKIARI
针对遥感图像目标识别需长程上下文先验的问题,提出轻量级大选择性核网络骨干LSKNet,通过动态调整空间感受野,在分类、检测和分割基准上取得新SOTA。
2025-08-09 cs.CV cs.LG
Hedgementation = Hedgerow Segmentation: A Remote Sensing Benchmark
UBC CS(不列颠哥伦比亚大学计算机科学系);UBC IRES & FRE(不列颠哥伦比亚大学资源、环境与可持续发展研究所与林业资源与环境系);INSAT Tunisia(突尼斯国家应用科学学院);Vector Institute(向量研究所)
提出Hedgementation基准,用于评估机器学习模型从遥感数据中绘制全国尺度10m²分辨率树篱图的能力,结合多源遥感数据和法国树篱清单,测试三种基线模型在空间距离和气候区上的泛化性能。
2026-06-23 cs.CV cs.LG
Exploring Models and Data for Remote Sensing Image Caption Generation
Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences(中国科学院西安光机精密机械研究所);The University of Chinese Academy of Sciences(中国科学院大学)
受人造卫星发展的启发,遥感图像引起了广泛的关注。近年来,遥感图像在场景分类和目标检测方面取得了显著的进展,但如何用准确、简洁的语句来描述遥感图像的内容仍然是一个难题。本文研究如何用准确、灵活的语句来描述遥感图像。首先,针对遥感图像的特点,提出了一些标注说明,以更好地描述遥感图像。其次,为了充分利用遥感影像的内容,构建了一个大规模的航空影像数据集,用于遥感影像字幕。最后,提出了一个全面的审查建议的数据集,以充分推进遥感字幕的任务。大量的实验表明,所提出的数据集的遥感图像的内容可以通过生成的语言描述进行完整的描述。数据集可在https://github.com/201528014227051/RSICD_optimal上获得
2017-12-21 cs.CV
Mini-Unmanned Aerial Vehicle-Based Remote Sensing: Techniques, Applications, and Prospects
Wuhan University(武汉大学)
在过去的几十年里,无人机在民用领域,特别是在摄影测量和遥感领域取得了巨大的进步。与有人驾驶飞机和卫星平台相比,无人机平台具有灵活、高效、高时空分辨率、低成本、易操作等优点,这使其成为对其他遥感平台的有效补充,并成为具有成本效益的遥感手段。本文针对近年来无人机遥感应用的普及和发展,对无人机在遥感领域的最新研究进展和发展前景进行了系统的综述。具体来说,首先讨论和总结了基于无人机的遥感数据处理的主要挑战和关键技术。然后,我们提供了一个广泛的应用无人机在遥感概述。最后,对今后的工作进行了展望。希望本文能为遥感工作者提供一个无人机遥感技术发展的总体情况,并对无人机遥感技术的进一步研究起到一定的指导作用。
2020-03-15 cs.CV
Supervised Classification Performance of Multispectral Images
Madurai Kamaraj University(马杜赖卡马尔吉大学)
如今,政府和私人机构将遥感图像用于从军事应用到农业发展的广泛应用。这些图像可以是全色、多光谱、高光谱甚至超光谱的。遥感图像分类是遥感最重要的应用领域之一。一些图像分类算法在遥感数据分类中已被证明具有较好的精度。但是,近年来,随着遥感数据的时空维度的增加,传统的分类算法暴露出了不足,需要在遥感图像分类领域进行进一步的研究。因此,需要一个有效的分类器对遥感图像进行分类,提取信息。我们正在试验监督和非监督分类。在这里,我们比较不同的分类方法和它们的性能。实验结果表明,马氏分类器的分类效果最好。
2010-02-22 cs.CV cs.LG
Kronecker Product Feature Fusion for Convolutional Neural Network in Remote Sensing Scene Classification
Xi'an Institute of Optics and Precision Mechanics of CAS(中国科学院西安光学精密机械研究所)
针对遥感场景分类任务,提出基于克罗内克积的新型特征融合算法KPFF,统一了加法与拼接融合方法并明确反向传播过程,实验验证其可有效提升CNN分类准确率。
2024-01-08 cs.CV cs.LG
Image Fusion Technologies In Commercial Remote Sensing Packages
SRTMU(斯瓦米·拉马南德·马哈拉杰大学);Yeshwant Mahavidyala College(耶什万特学院)
近十年来,随着遥感传感器技术的发展,各种遥感软件包被用于遥感数据的分析和可视化。根据文献资料,目前遥感领域还缺乏有效的遥感数据信息抽取的软件工具。因此,本文综述了多传感器图像融合技术的发展现状,并对商用遥感软件包中的单图像或融合图像的质量评价进行了综述。介绍了为图像融合和分类而开发的ALwassaiProcess程序。
2013-07-09 cs.CV
Warped Gaussian Processes in Remote Sensing Parameter Estimation and Causal Inference
Universitat de València(瓦伦西亚大学)
本文介绍了翘曲高斯过程(WGP)回归在遥感中的应用。WGP将输出观测建模为GP的参数非线性变换。然后通过标准最大似然法学习这种先验模型的参数。我们表现出良好的性能所提出的模型估计海洋叶绿素含量的多光谱数据,植被参数(叶绿素,叶面积指数,植被覆盖率)从高光谱数据,并在检测的因果方向在一个集合的28个双变量地球科学和遥感因果问题。该模型在准确性和更合理的置信区间方面始终优于标准GP和更先进的异方差GP模型。
2020-12-09 cs.CV cs.LG
In-domain representation learning for remote sensing
Google Research(谷歌研究院)
鉴于遥感的重要性,令人惊讶的是,很少有人关注它的表示学习社区。为了解决这个问题,并在这一领域建立基线和共同的评估协议,我们以标准化的形式提供了对5个不同遥感数据集的简化访问。具体来说,我们研究域内表示学习开发通用的遥感表示,并探讨哪些特征是重要的数据集是一个很好的源遥感表示学习。所建立的基线在这些数据集上实现了最先进的性能。
2019-11-15 cs.CV
State Space Models Meet Remote Sensing: A Survey
Shen Yuan Honors College, Beihang University(北航沈元荣誉学院);Department of Aerospace Intelligent Science and Technology, School of Astronautics, Beihang University(北京航空航天大学宇航学院航天智能科学与技术系);State Key Laboratory of Virtual Reality Technology and Systems, Beihang University(北京航空航天大学虚拟现实技术与系统国家重点实验室);Qian Xuesen Laboratory of Space Technology, China Academy of Space Technology(中国空间技术研究院钱学森空间技术实验室)
本文综述了状态空间模型(SSM)在遥感中的应用,分析了其在密集视觉预测、多模态和时序遥感数据中的优势,并总结了架构设计进展与未来挑战。
2026-06-25 cs.CV cs.LG
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。
2021-04-01 cs.CV eess.IV
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。
2020-06-09 cs.CV eess.IV
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。
2024-03-28 cs.CV eess.IV
Evaluating Self and Semi-Supervised Methods for Remote Sensing Segmentation Tasks
Google Research India(谷歌印度研究院);Google LLC(谷歌有限责任公司)
自监督和半监督机器学习技术利用未标记的数据来提高下游任务性能。这些方法对于遥感任务特别有价值,因为制作标记的地面实况数据集可能非常昂贵,但可以轻松获得大量未标记的图像。我们进行了严格的评估Simplified,一种自我监督的方法,和FixMatch,一种半监督的方法,在三个遥感任务:河床分割,土地覆盖制图,洪水制图。当原始监督数据集之外的其他图像可用于训练时,我们量化了这些遥感分割任务的性能改进。我们还设计了实验来测试这些技术的有效性时,测试集是域转移到不同的地理区域的样本相比,训练和验证集。我们发现,这种技术显着提高泛化性能时,标记的数据是有限的,有地理域之间的训练数据和验证/测试数据的变化。
2022-06-19 cs.CV cs.LG
RemoteTrimmer: Adaptive Structural Pruning for Remote Sensing Image Classification
Hohai University(河海大学);Griffith University(格里菲斯大学)
针对遥感图像分类模型剪枝后精度损失显著的问题,提出结构化剪枝方法RemoteTrimmer,通过放大通道重要性差异和设计自适应挖掘损失函数,在压缩模型的同时实现最小精度损失并达到SoTA性能。
2024-12-19 cs.CV
Supervising Remote Sensing Change Detection Models with 3D Surface Semantics
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
遥感变化检测,识别同一位置的场景之间的变化,是一个活跃的研究领域,具有广泛的应用。多模态自我监督预训练的最新进展已经产生了最先进的方法,这些方法超过了仅在光学图像上训练的视觉模型。在遥感领域,有大量的重叠的2D和3D模态,可用于监督视觉模型中的表示学习。在本文中,我们提出了对比表面图像预训练(CSIP)的联合学习使用光学RGB和地上水平(AGL)的地图对。然后,我们在几个建筑物分割和变化检测数据集上评估这些预训练模型,以表明我们的方法确实提取了与自然和人工表面信息相关的下游应用相关的特征。
2022-02-26 cs.CV cs.LG
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。
2022-06-08 cs.CV cs.NE eess.IV
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。
2020-10-21 cs.AI cs.CV eess.IV
Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities
Research & Development Institute of Northwestern Polytechnical University in Shenzhen(西北工业大学深圳研究院);School of Automation, Northwestern Polytechnical University(西北工业大学自动化学院);School of Computer Science, Wuhan University(武汉大学计算机学院)
遥感图像场景分类是根据遥感图像的内容,对遥感图像进行语义分类的一种方法,具有广泛的应用前景。在深度神经网络强大的特征学习能力的推动下,深度学习驱动的遥感图像场景分类受到了广泛关注,并取得了重大突破。然而,据我们所知,关于深度学习的遥感图像场景分类的最新成果的全面审查仍然缺乏。考虑到该领域的快速发展,本文通过涵盖160多篇论文,对用于遥感图像场景分类的深度学习方法进行了系统的综述。具体而言,我们讨论了遥感图像场景分类和调查的主要挑战(1)基于自动编码器的遥感图像场景分类方法,(2)基于卷积神经网络的遥感图像场景分类方法,(3)基于生成对抗网络的遥感图像场景分类方法。此外,我们还介绍了用于遥感图像场景分类的基准测试,并总结了二十多个代表性算法在三个常用基准数据集上的性能。最后,我们讨论了进一步研究的前景。
2020-06-25 cs.CV
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。
2017-10-11 cs.CV eess.IV
Generic Knowledge Boosted Pre-training For Remote Sensing Images
State Key Laboratory of Virtual Reality Technology and Systems, Beihang University(北京航空航天大学虚拟现实技术与系统国家重点实验室);Hangzhou Innovation Institute, Beihang University(北京航空航天大学杭州创新研究院);School of Software and Microelectronics, Peking University(北京大学软件与微电子学院)
提出 GeRSP 预训练框架,通过自监督遥感分支、监督自然图像分支及师生架构融合通用与领域知识,显著提升多项遥感下游任务性能。
2024-01-21 cs.CV
Mixture-of-Experts in Remote Sensing: A Survey
本文综述了专家混合模型在遥感中的应用,涵盖基本原理、架构设计及多种遥感任务中的关键应用,并展望了未来研究方向。
2026-04-03 cs.CV
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。
2022-10-30 cs.CV eess.IV
Low-Shot Learning for the Semantic Segmentation of Remote Sensing Imagery
Rochester Institute of Technology(罗切斯特理工学院)
使用RGB图像的深度学习的计算机视觉的最新进展(例如,对象识别和检测)已经成为可能,这要归功于大型注释RGB图像数据集的发展。相比之下,多光谱图像(MSI)和高光谱图像(HSI)数据集包含的标记图像要少得多,部分原因是所使用的传感器种类繁多。这些注释特别限于遥感图像的语义分割或逐像素分类,因为生成图像注释是劳动密集型的。尽管标注数据量较小,低次学习算法也可以进行有效的推断。在本文中,我们研究了低拍摄学习使用自学特征学习语义分割。我们介绍了1)一个改进的自学特征学习框架的HSI和MSI数据和2)半监督分类算法。当这些结合起来,他们实现国家的最先进的性能遥感数据集,几乎没有注释训练数据可用。这些低拍摄学习框架将减少手动图像注释的负担,提高遥感图像的语义分割性能。
2018-03-26 cs.CV cs.LG
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。
2026-09-10 cs.CV eess.IV
Transformers in Remote Sensing: A Survey
MBZ University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Wuhan University(武汉大学)
在过去的十年中,基于深度学习的算法在遥感图像分析的不同领域中受到了广泛的欢迎。最近,最初在自然语言处理中引入的基于变换器的架构已经遍布计算机视觉领域,其中自注意力机制已经被用作流行的卷积算子的替代,用于捕获长程依赖性。受计算机视觉最新进展的启发,遥感界也见证了对用于各种任务的视觉Transformer的更多探索。虽然一些调查集中在Transformers在计算机视觉一般,据我们所知,我们是第一个提出了一个系统的审查Transformers器在遥感的基础上的最新进展。我们的调查涵盖了60多个最近的变压器为基础的方法,不同的遥感问题在遥感的子领域:非常高分辨率(VHR),高光谱(HSI)和合成孔径雷达(SAR)图像。最后,我们通过讨论遥感Transformers器的不同挑战和开放性问题来结束调查。此外,我们打算经常更新和维护遥感论文中的最新Transformers,其各自的代码在:https://github.com/VIROBO-15/Transformer-in-Remote-Sensing
2022-09-02 cs.CV
Training general representations for remote sensing using in-domain knowledge
Google Research(谷歌研究院)
自动寻找良好和一般的遥感表示允许在广泛的应用上执行迁移学习-提高准确性并减少所需的训练样本数量。本文研究了通用遥感表示的发展,并探讨了哪些特征对于数据集成为表示学习的良好来源是重要的。对于这种分析,五个不同的遥感数据集被选择和使用,不相交的上游表示学习和下游模型训练和评估。一个共同的评估协议用于为这些数据集建立基线,以实现最先进的性能。正如结果所示,特别是在可用训练样本数量较少的情况下,与从头开始训练模型或仅在ImageNet上进行微调相比,当包括额外的域内数据时,可以观察到显着的性能增强(在100个训练样本时,分别高达11%和40%)。所有数据集和预训练的表示模型都在线发布。
2020-09-30 cs.CV cs.LG
Semi-Supervised Fine-Tuning for Deep Learning Models in Remote Sensing Applications
提出了一种结合深度学习和半监督学习的方法来解决土地覆盖识别问题。所提出的方法展示了在训练期间使用SSL方法作为性能函数时对深度学习模型性能的影响。在正射图像的像素级分割任务中,所获得的结果表明SSL增强的损失函数可以有益于模型的性能。
2020-05-30 cs.CV cs.LG
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。
2022-04-01 cs.CV eess.IV
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。
2018-03-14 cs.CE cs.CV eess.IV
Recent Advances in Domain Adaptation for the Classification of Remote Sensing Data
University of Zurich(苏黎世大学);University of Twente(特文特大学);University of Trento(特伦托大学)
在大的地理区域内或在短的时间间隔内获得的遥感图像的监督分类的成功在很大程度上取决于用于训练分类算法和定义模型的样本的代表性。当训练样本是从不同于用于映射的图像(或空间区域)收集的时,两个分布之间的光谱偏移可能使模型失败。这种偏移通常是由于采集和大气条件的差异或所观测物体性质的变化。为了设计对数据集变化具有鲁棒性的分类方法,最近的遥感文献考虑了基于领域自适应(DA)方法的解决方案。受机器学习文献的启发,人们提出了几种DA方法来解决遥感数据分类中的具体问题。本文提供了一个关键的审查,在DA遥感的最新进展,并提出了一个概述的方法分为四类:i)不变的特征选择; ii)表示匹配; iii)适应分类器和iv)选择性采样。我们提供了一个概述,最近的方法,以及所考虑的技术,以真正的遥感图像的特点是非常高的空间和光谱分辨率的应用程序的例子。最后,我们提出了在实际应用场景中使用的方法的选择准则。
2021-04-15 cs.CV eess.IV
Efficient Few-Shot Learning in Remote Sensing: Fusing Vision and Vision-Language Models
Cranfield University(克兰菲尔德大学);University of Oxford(牛津大学)
本研究融合YOLO与视觉-语言模型,提升遥感图像飞机检测与场景理解,在少样本条件下实现MAE改善48.46%、CLIPScore提升6.17%。
2025-10-15 cs.AI cs.CV cs.LG
The Winning Solution to the iFLYTEK Challenge 2021 Cultivated Land Extraction from High-Resolution Remote Sensing Image
Beijing Forestry University(北京林业大学);Tsinghua University(清华大学);Chinese Institute for Brain Research (CIBR)(中国脑科学研究中心(CIBR))
从高分辨率遥感影像中准确提取耕地是精准农业的基础工作。这份报告介绍了我们对科大讯飞挑战赛2021的解决方案,即从高分辨率遥感图像中提取耕地。这一挑战要求在非常高分辨率的多光谱遥感图像中分割耕地对象。我们建立了一个高效的管道来解决这个问题。我们首先将原始图像分成小块,并分别对每个小块进行实例分割。我们探索了几种适用于自然图像的实例分割算法,并开发了一套适用于遥感图像的有效方法。然后,我们合并的预测结果的所有小瓦片无缝,连续的分割结果,通过我们提出的拼接瓦片融合策略。我们在486支参赛队伍中获得第一名。
2022-02-25 cs.AI cs.CV cs.LG
A Light-Weight Object Detection Framework with FPA Module for Optical Remote Sensing Imagery
Tongji University(同济大学);Tsinghua University(清华大学)
随着遥感技术的发展,遥感图像的获取越来越容易,为遥感目标探测任务提供了充足的数据资源。然而,如何从众多复杂的光学遥感图像中快速、准确地检测出目标是一个具有挑战性的热点问题。在本文中,我们提出了一个有效的锚无对象检测器,CenterFPANet。为了追求速度,我们使用了轻量级的骨干,并引入了不对称的旋转块。为提高检测精度,设计了FPA模块,将不同层次的特征图连接起来,并引入注意力机制动态调整各层次特征图的权重,解决了遥感目标尺寸范围大而导致的检测困难问题。该策略在不降低检测速度的前提下,提高了遥感图像目标检测的精度。在DOTA数据集上,CenterFPANet mAP为64.00%,FPS为22.2,接近目前使用的基于锚点的方法的准确率,并且比它们快得多。与更快的RCNN相比,mAP低6.76%,但快60.87%。总而言之,CenterFPANet在大规模光学遥感目标检测中实现了速度和精度的平衡。
2020-09-07 cs.CV
Spatiotemporal Fusion in Remote Sensing
The Ohio State University(俄亥俄州立大学)
遥感图像和技术是研究地球表面的有力工具。数据质量是增强遥感应用的关键,在大多数情况下,由于不同的采集(例如,大气和季节)、传感器和平台(例如,卫星角度和传感器特性)条件。随着卫星的不断发展,现在每天可以获得TB级的遥感图像。因此,信息和数据融合在遥感界可能特别重要。该融合集成了来自异步获取的各种源的数据,用于信息抽取、分析和质量改进。在这一章中,我们的目标是讨论时空融合的理论,通过调查以前的工作,除了描述的基本概念和它的一些应用,总结我们以前和正在进行的工作。
2021-07-06 cs.CV
SkyScript: A Large and Semantically Diverse Vision-Language Dataset for Remote Sensing
Stanford University(斯坦福大学)
针对遥感领域缺乏大规模语义多样化图像-文本数据集的问题,提出SkyScript数据集(260万图像-文本对,29K语义标签),通过持续预训练使VLM在零样本场景分类中平均准确率提升6.2%。
2023-12-20 cs.AI cs.CV cs.LG
Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote Sensing Data
Element AI;Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
遥感和自动地球监测是解决灾害预防、土地利用监测或应对气候变化等全球性挑战的关键。虽然存在大量的遥感数据,但其中大部分是未标记的,因此监督学习算法无法访问。迁移学习方法可以减少深度学习算法的数据需求。然而,大多数这些方法都是在ImageNet上进行预训练的,由于领域差距,它们对遥感图像的推广并不能得到保证。在这项工作中,我们提出了季节对比度(SeCo),这是一种有效的管道,可以利用未标记的数据进行遥感表示的域内预训练。SeCo管道由两部分组成。首先,一个原则性的程序来收集大规模的,未标记的和未经策划的遥感数据集,其中包含来自不同时间戳的多个地球位置的图像。第二,一个自我监督的算法,利用时间和位置的不变性来学习遥感应用的可转移表示。我们的经验表明,使用SeCo训练的模型在多个下游任务上的性能优于ImageNet预训练的模型和最先进的自监督学习方法。SeCo中的数据集和模型将予以公布,以便利迁移学习,并使遥感应用能够迅速取得进展。
2021-05-03 cs.CV
Bootstrapping Interactive Image-Text Alignment for Remote Sensing Image Captioning
Wuhan University(武汉大学);Hubei Luojia Laboratory(湖北珞珈实验室)
本文提出BITA方法,通过两阶段视觉-语言预训练和轻量级交互式Fourier Transformer实现遥感图像与文本的高效对齐,在多个数据集上取得优于先进方法的图像描述性能。
2023-12-02 cs.CV
A Remote Sensing Image Dataset for Cloud Removal
Institute of Electronics, Chinese Academy of Sciences(中国科学院电子学研究所)
光学遥感图像中经常出现基于云的叠加,从而限制了所获取数据的应用。去云是遥感图像分析中必不可少的预处理步骤。深度学习近年来在遥感领域取得了巨大的成功,包括场景分类和变化检测。然而,深度学习在遥感图像去云中的应用却很少。原因是缺乏用于训练神经网络的数据集。为了解决这一问题,本文首先提出了遥感影像云迁移数据集(RICE)。该数据集由两部分组成:RICE 1包含500对图像,每对图像的云和无云尺寸为512*512; RICE 2包含450组图像,每组包含3个512*512尺寸的图像。分别是没有云的参考图片、云的图片及其云的掩模。该数据集可在\url{https://github.com/BUPTLdy/RICE_DATASET}上免费获得。
2019-01-03 cs.CV
HIMOSA: Efficient Remote Sensing Image Super-Resolution with Hierarchical Mixture of Sparse Attention
Wuhan University(武汉大学)
HIMOSA通过层次混合稀疏注意力机制,实现高效遥感图像超分辨率,兼顾性能与计算效率。
2025-11-29 cs.AI cs.CV
DDFAV: Remote Sensing Large Vision Language Models Dataset and Evaluation Benchmark
Liaoning Technical University(辽宁工程技术大学);Shang Hai Jiao Tong University(上海交通大学)
针对遥感LVLMs幻觉问题,本文构建了高质量数据集DDFAV及训练指令集,并提出幻觉评估方法RSPOPE,以评估不同LVLMs的零样本能力。
2024-11-05 cs.CV
A review over the applicability of image entropy in analyses of remote sensing datasets
National Institute of Technology, India(印度国立理工学院)
熵是任何数据中不确定性的度量,并且在许多遥感操作中被用于最大化互信息。宽熵变化的可用性促使我们调查这些版本的适合性偏好的特定操作。
2014-02-05 cs.CV
EarthMapper: A Tool Box for the Semantic Segmentation of Remote Sensing Imagery
Carlson Center for Imaging Science, Rochester Institute of Technology(卡尔森成像科学中心,罗切斯特理工学院)
深度学习继续推动颜色语义分割的最新性能(即,RGB)图像;然而,许多遥感传感器(即高光谱图像(HSI))缺乏注释数据,使研究人员无法利用最近的成功。由于生成传感器特定的数据集是时间密集型和成本高昂的,遥感研究人员已经接受了深度无监督特征提取。虽然这些方法已经在当前的HSI基准上推动了最先进的性能,但许多研究人员并不容易使用这些工具。在这封信中,我们介绍了一个软件管道,我们称之为EarthMapper,非RGB遥感图像的语义分割。它包括自学空间光谱特征提取,各种标准和深度学习分类器,以及用于后处理的无向图形模型。我们在Indian Pines和Pavia University数据集上评估了EarthMapper,并发布了此代码供公众使用。
2018-04-01 cs.CV cs.LG stat.ML
Geographical Knowledge-driven Representation Learning for Remote Sensing Images
Beihang University(北京航空航天大学)
遥感卫星的激增产生了大量的遥感图像。然而,由于人力和物力资源的限制,绝大多数遥感图像仍然没有标记。因此,它不能应用于当前可用的深度学习方法。为了充分利用剩余的未标记图像,提出了一种基于地理知识驱动的遥感图像表示学习方法(GeoKR),提高了网络性能,减少了对标注数据的需求。该方法将每幅遥感影像的全球土地覆盖产品和地理位置信息作为地理知识,为表示学习和网络预训练提供指导。提出了一种有效的预训练框架,以消除遥感图像和地理知识之间的成像时间和分辨率差异所造成的监督噪声。提出了一个大规模的预训练数据集Levir-KR来支持网络的预训练。它包含来自高分系列卫星的1,431,950幅各种分辨率的遥感图像。实验结果表明,我们提出的方法优于ImageNet预训练和自监督表示学习方法,并显着减少了数据标注的负担,下游任务,如场景分类,语义分割,目标检测,云/雪检测。实验结果表明,该方法可以作为一种新的预训练神经网络的范例。代码将在https://github.com/flyakon/Geographical-Knowledge-driven-Representaion-Learning上提供。
2021-07-12 cs.CV
Multimodal Object Detection in Remote Sensing
针对遥感目标检测多依赖通用方法、未充分利用多模态融合的问题,本文比较多模态检测方法、梳理可用评估数据集并展望未来方向。
2023-07-13 cs.CV