Sat2lod2: A Software For Automated Lod-2 Modeling From Satellite-Derived Orthophoto And Digital Surface Model
The Ohio State University(俄亥俄州立大学)
从卫星图像重建的正射影像和数字表面模型(DSM)推导LoD 2模型是一项具有挑战性的任务。现有的解决方案大多是需要复杂的逐步过程的系统方法,不仅包括启发式几何操作,而且包括高级步骤,例如基于机器学习的语义分割和建筑物检测。在本文中,我们描述了一个开源工具,称为SAT 2LOD 2,基于我们最近发表的工作的微小修改版本构建。SAT 2LoD 2是一个完全开源的基于GUI(图形用户界面)的软件,使用Python编写,以正射影像和DSM作为输入,并输出单个建筑模型,此外还可以采用道路网络shapefiles和自定义分类地图,以进一步改善重建结果。我们通过以下方式进一步提高了该方法的鲁棒性:1)将基于HRNetV 2的建筑物分割集成到我们的软件中; 2)实施了一种决策策略来识别复杂建筑物并直接生成网格,以避免从系统角度进行错误的LoD 2重建。该软件可以使用带有支持CUDA的图形卡的PC处理中等水平的数据(约5000*5000大小的正射影像和DSM)。此外,图形用户界面是自包含的,并存储中间处理结果,方便研究人员学习的过程中容易和重用的中间文件,根据需要。更新后的代码和软件可在此GitHub页面下获得:https://github.com/GDAOSU/LOD2BuildingModel。
2022-04-08 cs.CV
RapidAI4EO: Mono- and Multi-temporal Deep Learning models for Updating the CORINE Land Cover Product
Planet(Planet公司);VITO(佛兰德技术研究所)
在遥感界,利用卫星图像进行土地利用/土地覆盖分类是当前研究活动的一个主要焦点。然而,准确和适当的LULC分类仍然是一项具有挑战性的任务。在本文中,我们使用RapidAI 4 EO数据集上的监督学习评估多时间(每月时间序列)与单时间(单时间步长)卫星图像的多标签分类性能。作为第一步,我们在单个时间步对图像训练了我们的CNN模型,用于多标签分类,即单时间。我们使用LSTM模型整合了时间序列图像,以评估来自卫星的多时相信号是否改善了CLC分类。结果表明,改进了约0.89%,在分类卫星图像上的15个类,使用多时相的方法,每月的时间序列图像相比,单时相的方法。利用多时相或单时相图像的特征,这项工作是朝着有效的变化检测和土地监测方法迈出的一步。
2022-10-26 cs.CV
GRASP EARTH: Intuitive Software for Discovering Changes on the Planet
Ridge-i Inc.(Ridge-i公司)
检测地球上的变化,如城市发展,森林砍伐或自然灾害,是吸引大量关注的研究领域之一。解决这些问题的一个有希望的工具是卫星图像。然而,卫星图像需要大量的存储空间,因此用户需要首先设置感兴趣的区域,这不适合检测潜在的灾害或发展区域。为了解决这个问题,我们开发了一个新的工具,即GRASP EARTH,这是一个简单的变化检测应用程序的基础上谷歌地球引擎。GRASP EARTH使我们能够轻松处理卫星图像,并已用于灾害监测和城市发展监测。
2022-03-02 cs.CV
Topology, homogeneity and scale factors for object detection: application of eCognition software for urban mapping using multispectral satellite image
本文的研究内容是应用基于空间对象的图像分析方法(OBIA)对布鲁塞尔市研究区全色多光谱影像进行处理,以实现城市制图。目的是利用OBIA方法从甚高分辨率卫星图像绘制不同土地覆盖类型的地图,更具体地说,绘制建成区的地图。案例研究涵盖了比利时布鲁塞尔市东部地区的城市景观。从技术上讲,这项研究是在eCognition光栅处理软件中进行的,展示了图像分割和分类的出色结果。eCognition中嵌入的工具能够在半自动化状态下执行图像分割和对象分类过程,这对于城市规划,空间分析和城市增长分析非常有用。OBIA方法与eCognition的技术工具相结合,证明了该方法在人口密集地区(如大城市和首都)的城市测绘中的适用性。该方法包括多分辨率分割和创建的对象的分类。
2018-12-06 cs.CV eess.IV
Multi$^{\mathbf{3}}$Net: Segmenting Flooded Buildings via Fusion of Multiresolution, Multisensor, and Multitemporal Satellite Imagery
University of Oxford(牛津大学);TU Munich(慕尼黑工业大学);University of Kent(肯特大学);LIST Luxembourg(卢森堡LIST研究所);DFKI(德国人工智能研究中心);TU Kaiserslautern(凯泽斯劳滕工业大学);Czech Geological Survey(捷克地质调查局);University of Warsaw(华沙大学)
我们提出了一种新的方法,通过融合多分辨率,多传感器,多时相的卫星图像在卷积神经网络被淹没的建筑物的快速分割。我们的模型大大加快了基于卫星图像的洪水地图的生成,这对于洪水事件早期阶段的第一响应者和地方当局至关重要。通过整合多时相卫星图像,我们的模型可以快速准确地进行灾后损失评估,并可供政府用于更好地协调受灾地区的中长期财政援助计划。该网络由多个编码器-解码器架构流组成,这些架构从中分辨率图像中提取时空信息,并从高分辨率图像中提取空间信息,然后将所得表示融合到被淹没建筑物的单个中分辨率分割图中。我们将我们的模型与最先进的建筑物足迹分割方法以及用于淹没建筑物分割的替代融合方法进行比较,发现我们的模型在这两项任务上都表现最好。我们还证明,我们的模型只使用公开的中等分辨率数据,而不是更详细,但稀疏可用的非常高分辨率的数据,产生高度准确的分割地图的淹没建筑物。我们发布了第一个完全预处理和标记的灾难现场多分辨率,多光谱和多时相卫星图像的开源数据集以及我们的源代码。
2018-12-05 cs.AI cs.CV cs.LG
Forest and Water Bodies Segmentation Through Satellite Images Using U-Net
Aimech Technologies Corp.(Aimech科技公司);Air University(航空大学)
全球环境监测是一项在当代气候迅速变化的环境中需要给予更多关注的任务。这包括监测森林砍伐率和受洪水影响的地区。卫星成像极大地帮助了监测地球,而深度学习技术有助于使这一监测过程自动化。本文提出了一种观测森林和水域覆盖面积的解决方案。为了实现这一任务,提出了UNet模型,这是一种图像分割模型。该模型实现了82.55%和82.92%的森林和水域覆盖的区域分割的验证精度分别。
2022-07-12 cs.CV eess.IV
Kuro Siwo: 33 billion $m^2$ under the water. A global multi-temporal satellite dataset for rapid flood mapping
Orion Lab National Observatory of Athens & National Technical University of Athens(奥里昂实验室 希腊国家天文台 & 希腊技术大学);Harokopio University of Athens(哈罗基奥大学 希腊)
Kuro Siwo是一个全球多时相卫星数据集,用于快速洪水制图,包含33十亿平方米的洪水和永久水域数据,并提供优化的SAR数据产品和基准测试。
2024-11-01 cs.AI cs.CV cs.LG
Rapid Distributed Fine-tuning of a Segmentation Model Onboard Satellites
University of Cambridge(剑桥大学);AI Sweden(瑞典人工智能研究院);European Space Astronomy Centre(欧洲空间天文中心);European Centre for Earth Observation(欧洲地球观测中心)
本研究在Unibap iX10-100卫星硬件上验证轻量级预训练分割模型MobileSAM的星载应用,集成PASEOS模拟卫星运行,探索多星去中心化快速微调潜力,为星载AI快速响应灾害提供新方向。
2024-11-26 cs.CV cs.DC cs.LG
Predicting butterfly species presence from satellite imagery using soft contrastive regularisation
The Alan Turing Institute, the UK(英国阿尔安·图灵研究所);Wageningen University & Research, the NL(瓦赫宁根大学与研究中心);University College London, the UK(伦敦大学学院);UK Centre for Ecology & Hydrology, the UK(英国生态与水文研究中心)
本研究构建了英国蝴蝶物种存在预测卫星数据集,优化Resnet模型并提出适配概率标签的软监督对比正则化损失,提升了高生物多样性区域的预测准确率,助力遥感生物多样性监测。
2025-05-14 cs.CV cs.LG
Multispectral Satellite Data Classification using Soft Computing Approach
Tezpur University(提斯普尔大学)
卫星图像是遥感图像数据,其中每个像素代表地球上的特定位置。记录的像素值是该位置处来自地球表面的反射辐射。多光谱图像是指在电磁波谱的特定频率下捕获图像数据的图像,而全色图像对可见光的所有波长都很敏感。由于这些图像的高分辨率和高维度,它们为聚类技术有效地检测不同大小、形状和密度的簇造成了困难,作为快速处理时间的折衷。在本文中,我们提出了一个网格密度为基础的聚类技术的对象识别。我们还介绍了一种方法来分类的卫星图像数据使用规则归纳为基础的机器学习算法。对象识别和分类方法已使用几个合成和基准数据集进行了验证。
2022-03-21 cs.AI cs.CV cs.LG
Rapid building damage assessment workflow: An implementation for the 2023 Rolling Fork, Mississippi tornado event
Microsoft AI for Good Research Lab(微软人工智能向善研究实验室);Microsoft Philanthropies(微软慈善);American Red Cross(美国红十字会)
针对灾后建筑损毁自动化评估面临的损毁差异大、影像多样、标注数据不足等问题,本文提出人在环路快速训练工作流,在2023年罗灵福克龙卷风案例中实现0.86精确率、0.80召回率,单场景端到端耗时不足2小时,具备实时部署潜力。
2023-08-24 cs.CV cs.LG
RAPID: A Reproducible Multi-Agent Pipeline for Interpretable Disaster Damage Assessment from Satellite and Street-View Imagery
National University of Singapore(新加坡国立大学);The University of Alabama(阿拉巴马大学)
提出RAPID,一种可复现的多智能体管道,无需任务特定微调即可实现零样本灾害损害评估,通过跨视图理解、图像恢复和结构化识别生成可解释的评估报告,在多种灾害中达到0.92的分类准确率。
2026-06-23 cs.CV
Rapid Deforestation and Burned Area Detection using Deep Multimodal Learning on Satellite Imagery
H2O.ai
本文提出基于CNN的深度多模态学习方法,结合Sentinel、Landsat、VIIRS和MODIS卫星影像构建精选数据集,实现亚马逊地区高精度毁林估算与过火区域检测。
2023-07-10 cs.CV eess.IV
Deep Learning for Recognizing Mobile Targets in Satellite Imagery
Lockheed Martin Space(洛克希德·马丁空间系统公司)
对自动检测和分类卫星图像中的飞机、汽车和船舶等移动目标的软件的需求越来越大。这种自动目标识别(ATR)软件的应用包括经济预测、交通规划、海事执法和灾难响应。本文介绍了扩展的卷积神经网络(CNN)的分类滑动窗口检测算法。它在xView数据集的移动目标上进行了评估,其检测和分类精度高于95%。
2020-10-13 cs.CV
Efficient SAR Vessel Detection for FPGA-Based On-Satellite Sensing
The Alan Turing Institute(艾伦·图灵研究所)
针对星载SAR船舶检测的功耗与算力约束,研究优化YOLOv8架构并部署于Kria KV260 MPSoC,实现低功耗下的高效高精度检测,支撑自主卫星实时遥感应用。
2025-11-17 cs.CV
An Open-source Tool for Hyperspectral Image Augmentation in Tensorflow
Washington University in St. Louis(圣路易斯华盛顿大学)
卫星图像可用于从天气预报到土地勘测等多种应用。计算机视觉系统的迅速发展可以为卫星数据的利用开辟新的前景,因为卫星数据具有丰富的海量数据。然而,当前最先进的计算机视觉系统主要迎合主要涉及自然图像的应用。这些图像虽然有用,但除了具有更多的光谱通道外,还表现出与卫星图像不同的分布。这允许仅在等同于自然图像的光谱通道的子集中使用预训练的深度学习模型,从而丢弃来自其他光谱通道的有价值的信息。这就要求开展研究工作,优化卫星图像的深度学习模型,以便能够评估其在遥感领域的效用。Tensorflow工具允许对深度学习模型进行快速原型设计和测试,但其内置图像生成器的设计最多可处理四个光谱通道。本文介绍了一个开源工具,该工具允许在Tensorflow中实现高光谱图像的图像增强。鉴于Tensorflow的可访问性和易用性,该工具将为许多研究人员提供实现、测试和部署用于遥感应用的深度学习模型的方法。
2020-07-09 cs.CV cs.LG eess.IV
Transformer-based nowcasting of radar composites from satellite images for severe weather
GeoSphere Austria – Federal Institute for Geology, Geophysics, Climatology and Meteorology(奥地利地球圈联邦地质、地球物理、气候学与气象学研究所)
针对地基雷达数据覆盖受限的问题,提出基于Transformer的卫星数据雷达临近预报模型,最长2小时提前量,在强对流场景鲁棒性好,可支撑大区域预报并助力业务化应用。
2024-03-06 cs.CV cs.LG eess.IV
Autonomous Satellite Detection and Tracking using Optical Flow
Embry-Riddle Aeronautical University(安柏瑞德航空大学)
本文利用光流法实现了一种图像中卫星的自主检测与跟踪方法。光流被用来估计一系列空间图像中被检测物体的像速。考虑到图像中的大多数对象都是恒星,因此使用来自恒星运动的整体图像速度来估计图像的帧到帧运动。然后,将被视为以不同于总体图像速度的速度剖面移动的物体归类为潜在的常驻空间物体。使用模拟的星图和地面卫星图像的检测算法进行练习。最后,将使用商业和开源软件方法对该算法进行测试和比较,以根据读者的需求提供两种不同的选择。
2022-04-14 astro-ph.IM cs.CV