Fully Convolutional Network for Automatic Road Extraction from Satellite Imagery
Veeva Systems（Veeva系统公司）；Level5 Engineering Center, Lyft Inc（Lyft公司Level5工程中心）；Massachusetts Institute of Technology（麻省理工学院）
高分辨率卫星图像的分析一直是交通管理、城市规划和道路监控的重要研究课题。这里的问题之一是自动和精确的道路提取。从原始图像中，由于存在其他具有直边缘的道路状特征，因此提取道路是困难的且计算昂贵的。本文提出了一种基于U-网族的全卷积神经网络的道路自动提取方法。该网络由在ImageNet上预训练的ResNet-34和从vanilla U-Net改编的解码器组成。根据验证结果、排行榜和我们自己的经验，该网络在DEEPGLOBE - CVPR 2018道路提取子挑战中显示出优异的结果。此外，该网络使用中等内存，允许仅使用一个GTX 1080或1080ti视频卡来执行整个训练并进行快速预测。
2018-06-19 cs.CV
SmartScan: An AI-based Interactive Framework for Automated Region Extraction from Satellite Images
Schlumberger-Doll Research（斯伦贝谢-多尔研究中心）
SmartScan是一个基于AI的交互式框架，利用SAM模型从卫星图像中自动提取子空间，支持数据整理和自主两种模式，以最少人工干预实现高通量、高质量的传感器放置区域提取，适用于多领域超高分辨率图像。
2025-03-31 cs.CV
An intelligent approach towards automatic shape modeling and object extraction from satellite images using cellular automata based algorithm
MANIT-Bhopal（曼尼特-博帕尔）
自动特征提取领域在过去的十年中已经见证了许多智能方法的应用，然而这些方法的检测精度受到限制，因为对象的几何形状和上下文知识没有得到足够的考虑。在本文中，我们提出了一个框架工作的准确检测功能，自动插值，并解释建模特征形状以及上下文知识，使用先进的技术，如SVRF，细胞神经网络，核心集，和MACA。已开发的方法进行了比较，与当代方法使用不同的统计措施。对各种卫星图像的调查表明，CNN的做法取得了相当大的成功。CNN在有效地对不同的复杂特征进行建模方面是有效的，并且使用紧身胸衣优化大大降低了该方法的复杂性。该系统使用CNN-Prolog方法动态地使用光谱和空间信息来表示上下文知识。该系统在提供智能插值和解释随机特征方面也被证明是有效的。
2013-03-27 cs.CV
Road Extraction with Satellite Images and Partial Road Maps
Nanyang Technological University（南洋理工大学）；Alibaba Cloud Computing（阿里云云计算）；Hong Kong Polytechnic University（香港理工大学）
该研究提出利用公开的不完整道路地图辅助卫星图像道路提取的新任务，设计含GSAM和MP损失的双分支P2CNet，在两个数据集上取得SOTA的IoU表现。
2023-03-22 cs.CV
Towards Satellite Image Road Graph Extraction: A Global-Scale Dataset and A Novel Method
Chinese Academy of Sciences（中国科学院）；Xidian University（西安电子科技大学）；Xi’an Jiaotong University（西安交通大学）
针对卫星图像道路图提取中标注数据稀缺的问题，本文构建了比现有最大公开数据集大近20倍的Global-Scale全球卫星道路图数据集，并提出SAM-Road++模型，通过节点引导重采样和延长线策略提升提取性能，尤其在未知区域表现优异。
2024-11-23 cs.CV
City-Scale Road Extraction from Satellite Imagery v2: Road Speeds and Travel Times
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，我们探索大规模的道路网络提取与推理的语义特征的图形，确定速度限制和路线旅行时间为每一条道路。我们称这种方法为城市规模的道路提取从卫星图像v2（CRESIv2），包括估计旅行时间允许真正的最佳路由（而不仅仅是最短的地理距离），这是不可能与现有的遥感图像为基础的方法。我们使用两个标签源（OpenStreetMap和来自SpaceNet数据集的标签源）来评估我们的方法，并发现在SpaceNet标签上训练和测试的模型都优于OpenStreetMap标签超过60%。我们量化了我们的算法的性能与平均路径长度相似性（APLS）和地图拓扑（TOPO）的图论指标在不同的测试区域覆盖四个城市的SpaceNet数据集。对于传统的边的几何距离的权重，我们发现一个聚合的5%的改进比现有的方法SpaceNet数据。我们还测试了我们的算法在谷歌卫星图像与OpenStreetMap标签，并发现比以前的工作提高了23%。当使用旅行时间而不是几何距离作为边权重时，大型图上的度量分数仅下降4%，这表明使用这种方法优化旅行时间的路由是可行的。
2020-05-29 cs.CV
Comparative analysis of common edge detection techniques in context of object extraction
MA National Institute of Technology（MA国立理工学院）
边缘特征的边界，因此是一个具有实际意义的问题，在遥感，本文提出了一种比较研究的各种边缘检测技术和波段分析这些算法的背景下，对象提取方面的遥感卫星图像从印度遥感卫星（IRS）传感器LISS 3，LISS 4和Cartosat 1以及谷歌地球。
2014-02-05 cs.CV
PaRK-Detect: Towards Efficient Multi-Task Satellite Imagery Road Extraction via Patch-Wise Keypoints Detection
从卫星图像中自动提取道路是遥感领域中一项基本而又具有挑战性的计算机视觉任务。基于像素的语义分割方法和基于图的方法是两种流行的方案。然而，现有的工作表明，基于语义分割的方法产生低连通性的道路图，而基于图的方法与迭代探索范式和较小的感受野更侧重于本地信息，也是耗时的不完善之处。在本文中，我们提出了一种新的多任务卫星图像道路提取方案，Patch-wise道路关键点检测（PaRK-Detect）。该框架基于D-LinkNet架构，采用关键点检测的结构，通过预测道路关键点的位置以及它们之间的相邻关系来构建道路图。同时，多任务框架还执行逐像素语义分割并生成道路分割掩模。我们对DeepGlobe、Massachusetts Roads和RoadTracer数据集上现有的最先进方法进行了评估，并取得了有竞争力或更好的结果。我们还证明了相当的推理速度方面的表现。
2023-02-26 cs.CV
Lane Boundary Geometry Extraction from Satellite Imagery
Northwestern University（西北大学）；New York University（纽约大学）；HERE Company（HERE公司）
自动驾驶汽车正在成为现实，高清地图作为其关键组成部分，在市场和行业中都显示出其价值。尽管从激光雷达或立体/透视图像生成高清地图已经取得了令人印象深刻的成功，但其固有的缺陷不容忽视。在本文中，我们提出了一种基于卫星图像像素分割和形式化假设连接的公路高清地图建模新方法，该方法比现有的基于LiDAR点云和透视图的高清地图建模方法更便宜、更快，并使其成为最新技术的理想补充。我们还将高清道路模型数据集手动编码/标记为地面实况，与Bing图像服务器对齐，以训练、测试和评估我们的方法。该数据集将同时发布，以促进航空影像高清地图建模的研究。
2020-02-06 cs.CV
Brightearth roads: Towards fully automatic road network extraction from satellite imagery
LuxCarta Technology（LuxCarta 科技公司）；LuxCarta South Africa（LuxCarta 南非公司）
针对现有开放道路网数据更新不及时的问题，提出从甚高分辨率卫星影像提取道路网的全自动流水线，含分割、图优化转矢量、材质分类三模块，可生成精准连通的道路线串，具备更新道路数据的潜力。
2024-06-21 cs.CV
Resource-constrained FPGA Design for Satellite Component Feature Extraction
Florida Institute of Technology（佛罗里达理工学院）；Energy Management Aerospace（能源管理航空航天公司）
计算机视觉和机器学习在在轨应用中的有效使用受到有限计算能力的阻碍，因此性能有限。虽然利用ARM处理器的嵌入式系统已被证明符合可接受但低性能的标准，但最近可用的更大的空间级现场可编程门阵列（FPGA）显示出超过微计算机系统的性能的潜力。这项工作提出了使用基于神经网络的目标检测算法，可以部署在一个可编程资源有限的FPGA上，以自动检测非合作的组件，在轨卫星。在佛罗里达理工学院的ORION机动运动模拟器上进行了硬件在环实验，以比较部署在小型资源受限的FPGA上的新模型与微计算机系统上的等效算法的性能。结果表明，FPGA实现提高了吞吐量，降低了延迟，同时保持相当的精度。这些发现表明，未来的任务应该考虑在空间级FPGA上部署计算机视觉算法。
2023-01-22 cs.CV
LIGHT: Joint Individual Building Extraction and Height Estimation from Satellite Images through a Unified Multitask Learning Network
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）
首次提出统一多任务学习网络LIGHT，结合单体建筑提取与高度估计，并设计GCTI模块实现跨分支特征交互，在DFC2023数据集上显著提升了多任务性能。
2023-04-03 cs.CV
A Semantic Segmentation Network for Urban-Scale Building Footprint Extraction Using RGB Satellite Imagery
UC Berkeley（加州大学伯克利分校）；Lawrence Berkeley Lab（劳伦斯伯克利实验室）
城市地区消耗了世界上三分之二以上的能源，占全球二氧化碳排放量的70%以上。正如政府间气候变化专门委员会的《全球变暖1.5摄氏度》报告所述，到2050年实现碳中和需要对城市几何结构有清晰的认识。从卫星图像中生成高质量的建筑物足迹可以加速这一预测过程，并为市政决策提供支持。然而，以前基于深度学习的方法面临着诸如尺度不变性和有缺陷的足迹等后果性问题，部分原因是始终存在的类间不平衡。此外，大多数方法需要补充数据，如点云数据、建筑物高度信息和多波段图像，这些数据的可用性有限，制作起来也很繁琐。在本文中，我们提出了一个修改后的DeeplabV 3+模块，具有扩展的Res-Net主干，仅从三通道RGB卫星图像生成建筑物足迹的掩模。此外，我们在目标函数中引入了F-Beta度量，以帮助模型考虑倾斜的类分布并防止假阳性足迹。除了F-Beta之外，我们还引入了指数加权边界损失，并使用跨数据集训练策略来进一步提高预测质量。因此，我们在三个公共基准测试中实现了最先进的性能，并证明了我们的仅RGB方法产生更高质量的视觉效果，并且不受卫星图像的规模，分辨率和城市密度的影响。
2021-11-19 cs.CV
Feature Aggregation Network for Building Extraction from High-resolution Remote Sensing Images
Institut Polytechnique de Paris（巴黎理工学院）
针对高分辨率遥感图像中建筑物细粒度提取的挑战，提出Feature Aggregation Network (FANet)，通过结合全局与局部特征提取模块及注意力机制，实现了精细的建筑物提取，并在多个数据集上验证了其卓越性能。
2023-09-12 cs.CV
Multi-task deep learning for large-scale building detail extraction from high-resolution satellite imagery
Nanjing Normal University（南京师范大学）；Peking University（北京大学）；Technical University of Munich（慕尼黑工业大学）；Shenyang Jianzhu University（沈阳建筑大学）；Nanjing University（南京大学）
本文提出多任务建筑物精炼器MT-BR，结合代表性空间采样与增强技术，从高分辨率卫星影像中高效提取建筑物屋顶、功能类型和建筑类型，并在上海大规模应用中验证了其优于现有方法的精度与实用性。
2023-10-29 cs.CV
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
A MapReduce based Big-data Framework for Object Extraction from Mosaic Satellite Images
Kocaeli University（科贾埃利大学）
提出了一种基于分布式计算模型的大规模栅格镶嵌图像矢量表示拼接框架。这样，可以消除中央系统资源不足的负面影响和可扩展性问题。本研究所获得的产品可用于需要对大卫星地图图像进行时空分析的应用。本研究还表明，大数据框架不仅用于基于文本的数据采掘和机器学习算法的应用，而且还用于图像处理中的算法应用。该项目实现的产品的有效性也将通过对真实世界LandSat-8卫星图像进行的可扩展性和性能测试来证明。
2018-08-26 cs.CV cs.DC
Deep Learning Meets Satellite Images -- An Evaluation on Handcrafted and Learning-based Features for Multi-date Satellite Stereo Images
The Ohio State University（俄亥俄州立大学）；Bruno Kessler Foundation (FBK)（布鲁诺·凯塞勒基金会）；University of Trento（特伦托大学）；Kuwait University（科威特大学）
本文在约500对多时相卫星立体影像上评估SIFT与七种深度学习匹配方法，发现传统方法仍具竞争力，而学习型方法在特定场景下表现突出。
2024-09-04 cs.CV
Studying Maps at Scale: A Digital Investigation of Cartography and the Evolution of Figuration
本研究通过大规模数据和算法分析，探讨了地图制图的历史演变、图示变化及文化影响。
2025-11-24 cs.CL cs.CV cs.DL
From LAION-5B to LAION-EO: Filtering Billions of Images Using Anchor Datasets for Satellite Image Extraction
European Space Agency（欧洲空间局）
针对大型图像语料库特定领域子集提取难的问题，提出基于锚点数据集结合过滤的提取方法，在卫星图像领域验证后发布了高分辨率图文对数据集 LAION-EO，并介绍其获取流程与特性。
2023-09-27 cs.AI cs.CV cs.LG
Coastline extraction from ALOS-2 satellite SAR images
IRAFM；University of Ostrava（奥斯特拉瓦大学）
对海岸的持续监测在设计海岸防侵蚀策略中起着至关重要的作用。为了避免云层和阳光的影响，使用了带有合成孔径雷达的卫星图像来提供所需数据。我们展示了如何使用最先进的方法处理这些数据，即通过基于深度学习的方法来检测海岸线位置。我们将这个过程分为数据读取、数据预处理、模型训练、推理、集成和后处理，并描述了每个部分的最佳技术。最后，我们提出了我们自己的解决方案，能够精确地从图像中提取海岸线，即使它是不被人类识别。我们的解决方案已经在Signate的比赛中根据海岸线的真实GPS位置进行了验证，在全球109支球队中获得亚军。
2021-04-10 cs.CV eess.IV
Automated Road Extraction from Satellite Imagery Integrating Dense Depthwise Dilated Separable Spatial Pyramid Pooling with DeepLabV3+
Knight Foundation School of Computing and Information Sciences（奈特基金会计算与信息科学学院）；Florida International University（佛罗里达国际大学）
本文提出用密集深度可分离空洞空间金字塔池化模块替代DeepLabV3+中的ASPP，并结合主干网络与Squeeze-and-Excitation模块，以提升卫星影像中复杂道路结构的自动提取精度。
2024-10-18 cs.CV cs.LG
Burnt area extraction from high-resolution satellite images based on anomaly detection
IRISA（法国计算机科学与随机系统研究所）；Université Bretagne Sud（南布列塔尼大学）；ICube-SERTIT（斯特拉斯堡大学立方体地球科学与遥感技术研究所）；Université de Strasbourg（斯特拉斯堡大学）
针对应急监测中无标注数据的高分辨率卫星影像过火区域提取需求，提出结合VQ-VAE与多指数后处理的无监督异常检测框架，在SPOT-6/7数据上取得良好效果。
2023-08-25 cs.CV eess.IV
Deep learning on edge: extracting field boundaries from satellite images with a convolutional neural network
CSIRO Agriculture & Food（澳大利亚联邦科学与工业研究组织农业与食品部）；CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61中心）
数字农业服务的应用通常要求农民或其顾问提供其田地边界的数字记录。从卫星图像中自动提取实地边界将减少对人工输入这些记录的依赖，人工输入既费时又容易出错，并将为提供远程产品和服务提供基础。缺乏目前的领域边界数据集似乎表明低摄取现有的方法，大概是因为昂贵的图像预处理要求和本地，往往是任意的，调整。在本文中，我们解决的问题，从卫星图像领域的边界提取作为一个多任务的语义分割问题。我们使用ResUNet-a，一种具有完全连接的UNet主干的深度卷积神经网络，具有扩张卷积和条件推理，为每个像素分配三个标签：1）属于字段的概率; 2）成为边界一部分的概率; 3）到最近边界的距离。然后可以将这些标签组合以获得封闭的字段边界。使用Sentinel-2的单一合成图像，该模型在绘制视野范围、视野边界以及各个视野方面都非常准确。用接近合成周期的单日期图像替换每月合成图像，只会略微降低准确性。然后，我们在一系列实验中表明，我们的模型在分辨率、传感器、空间和时间上都很好地泛化，无需重新校准。通过对整个季节采集的至少四张图像进行平均模型预测来建立共识，是应对准确性随时间变化的关键。通过最大限度地减少图像预处理的要求，并取代数据驱动的本地任意决定，我们的方法有望促进提取规模的个别作物领域。
2020-02-03 cs.CV
Reverse Refinement Network for Narrow Rural Road Detection in High-Resolution Satellite Imagery
Wuhan University（武汉大学）
针对高分辨率卫星影像中狭窄乡村道路提取困难的问题，提出反向细化网络（R2-Net），通过结合轴上下文感知模块、全局聚合模块和反向感知模块，有效增强了道路连通性与背景区分度，在大规模乡村道路制图任务中表现优异。
2024-10-14 cs.CV
Road Segmentation in SAR Satellite Images with Deep Fully-Convolutional Neural Networks
German Aerospace Center (DLR)（德国航空航天中心（DLR））
遥感广泛用于制图。随着交通网络的发展和变化，从卫星图像中自动提取道路对于保持地图最新至关重要。合成孔径雷达卫星可以提供高分辨率的地形图。然而，道路很难在这些数据中识别，因为它们在视觉上与河流和铁路等目标相似。大多数合成孔径雷达图像上的道路提取方法仍然依赖于由经典计算机视觉算法执行的先验分割。很少有研究深度学习技术的潜力，尽管它们成功地应用于光学图像。这封信提出了一个评估的全卷积神经网络的道路分割的SAR图像。我们研究了早期和国家的最先进的网络的相对性能后，仔细提高其对薄对象的敏感性，通过添加空间容差规则。我们的模型显示出令人鼓舞的结果，成功地提取了我们测试数据集中的大部分道路。这表明，尽管全卷积神经网络本身缺乏道路分割的效率，但如果适当调整，它们能够获得良好的结果。由于分割质量不能随着网络深度的增加而很好地扩展，因此用于道路提取的专用架构的设计应该产生更好的性能。
2018-08-16 cs.CV
Leveraging Segment Anything Model in Identifying Buildings within Refugee Camps (SAM4Refugee) from Satellite Imagery for Humanitarian Operations
Paris Lodron Universität Salzburg（巴黎洛顿萨尔茨堡大学）
本研究利用SAM及其轻量级适配版本SAM-Adapter从卫星影像中提取难民营建筑，在数据有限时优于U-Net和Transformer，并发现超分辨率放大可提升性能及加速收敛，代码已开源。
2024-07-16 cs.CV
Deep Neural Networks for automatic extraction of features in time series satellite images
许多地球观测计划，如Landsat、Sentinel、SPOT和Pleiades，每天都会产生大量的中高分辨率多光谱图像，这些图像可以按时间序列进行组织。在这项工作中，我们利用这些图像提供的时间和空间信息来生成土地覆盖图。为此，我们将完全卷积神经网络与卷积长短期记忆相结合。提出的时空神经网络架构的实施细节。实验结果表明，时间序列图像提供的时间信息可以提高土地覆盖分类的准确性，从而产生最新的地图，可以帮助确定地球上的变化。
2020-08-17 cs.CV cs.LG eess.IV
Large-scale Weakly Supervised Learning for Road Extraction from Satellite Imagery
Tongji University（同济大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
本文提出利用OpenStreetMap道路数据作为弱标签，结合大规模卫星影像预训练语义分割模型，有效解决了道路提取中像素级标注困难及跨区域泛化差的问题，在DeepGlobe榜单上取得领先且泛化能力更强。
2023-09-14 cs.AI cs.CV
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
An enhanced neural network based approach towards object extraction
National Institute of Technology, India（印度国家技术学院）
卫星图像光谱和空间分辨率的提高促进了从卫星图像和航空照片中自动提取和识别特征。提出了一种自动目标提取方法，用于从卫星图像中提取和识别各种目标，并针对IRS卫星图像验证了该系统的准确性。该系统以神经网络为基础，模拟遥感图像的目视解译过程，提高了图像分析的效率。该方法获得了各种特征的基本特征，并通过自动学习方法、智能解释和智能插值来提高性能。该方法的主要优点是其简单，系统识别的特征不仅基于像素值，而且基于形状，haralick特征等的对象。此外，该系统允许基于大小和形状来识别相同类别内的特征的灵活性。该系统的成功应用验证了其有效性，并通过地面实况验证对系统的精度进行了评估。
2014-02-05 cs.CV cs.LG cs.NE
Automatic Building Extraction in Aerial Scenes Using Convolutional Networks
Oak Ridge National Laboratory（橡树岭国家实验室）
由于建筑物外观变化非常大，从航空和卫星图像中自动提取建筑物具有很大的挑战性。为了解决这个问题，我们设计了一个卷积网络，它的最后一级集成了来自多个前级的激活，用于像素级预测，并引入了建筑边界的符号距离函数作为输出表示，它具有增强的表示能力。我们充分利用地理信息系统（GIS）提供的丰富的建筑物足迹数据来编译训练数据。经过训练的网络在比先前工作中使用的数据集更大、更复杂的数据集上实现了卓越的性能，表明所提出的方法为自动化这项劳动密集型任务提供了一种有前途的可扩展解决方案。
2016-02-21 cs.CV
Runway Extraction and Improved Mapping from Space Imagery
PeopleTec（人民科技公司）
应用于监测机场跑道等关键基础设施的变化检测方法代表了救灾和城市规划的重要能力。目前的工作确定了两个生成对抗网络（GAN）的架构，可逆地转换之间的合理的跑道地图和卫星图像。我们从相同的角度使用配对图像（卫星地图）并使用Pix 2 Pix架构或条件GANs来说明训练能力。在没有可用对的情况下，我们同样证明了具有四个网络头（鉴别器-生成器对）的CycleGAN架构也可以提供从原始图像像素到轮廓或特征图的有效风格转移。为了强调跑道和停机坪的边界，我们通过实验表明，传统的灰褐色地图调色板不是一个必要的训练输入，但可以通过更高的对比度映射调色板（红色-黑色）来增强，以获得更清晰的跑道边界。我们预览了一个潜在的新用例（称为“sketch 2satellite”），其中一个人大致绘制了当前的跑道边界，并自动化机器输出合理的卫星图像。最后，我们确定了错误的跑道地图的例子，其中发布的卫星和映射的跑道不一致，但自动更新使用GANs呈现正确的地图。
2021-12-30 cs.CV cs.LG
Convolutional Neural Network Segmentation for Satellite Imagery Data to Identify Landforms Using U-Net Architecture
School of Computer Engineering, Kalinga Institute of Industrial Technology（卡林加工业技术学院计算机工程学院）
本研究将U-Net架构应用于卫星影像语义分割以识别地貌，通过CNN特征提取、Dropout正则化和Adam优化提升性能，经大量样本验证其高分辨率输出等优势，为机器学习与图像处理技术发展及多实际场景应用提供支持。
2025-02-08 cs.CV
Identifying safe intersection design through unsupervised feature extraction from satellite imagery
世界卫生组织已将设计更安全的十字路口列为减少全球道路创伤的关键干预措施。本文首次基于航拍图像和深度学习，系统分析了一个大国所有交叉口的设计。为澳大利亚所有交叉路口下载了大约90万张卫星图像，定制的计算机视觉技术强调了道路基础设施。深度自动编码器提取高级特征，包括交叉口的类型、大小、形状、车道标记和复杂性，这些特征用于聚类类似的设计。澳大利亚的远程信息处理数据集将基础设施设计与6600万公里驾驶过程中捕获的驾驶行为联系起来。这表明在四向交叉口比三向交叉口更频繁的硬加速事件（每辆车），在T形交叉口相对较低的硬减速频率，以及在环形交叉口持续较低的平均速度。总的来说，特定领域的特征提取能够识别基础设施的改进，这可能导致更安全的驾驶行为，从而可能减少道路创伤。
2020-10-29 cs.CV cs.LG cs.MM
Automatic Extraction of Road Networks from Satellite Images by using Adaptive Structural Deep Belief Network
Prefectural University of Hiroshima（广岛县立大学）
在我们的研究中，限制玻尔兹曼机（RBM）和深度信念网络（DBN）的自适应结构学习方法已经发展成为一个突出的深度学习模型。RBM中的神经元生成-湮灭和DBN中的层生成算法在学习过程中对给定的输入生成最优的网络结构。在本文中，我们的模型被应用到道路网络系统的自动识别方法，称为RoadTracer。RoadTracer可以从航空照片数据生成地面上的道路图。在迭代搜索算法中，训练CNN以找到具有高检测能力的道路之间的网络图连通性。然而，该系统不仅在训练阶段而且在推理阶段都需要很长的计算时间，因此可能无法实现高精度。为了提高精度和计算时间，我们的自适应DBN是在RoadTracer上实现的，而不是在CNN上。我们开发的模型的性能进行了评估的卫星图像在郊区，日本。实验结果表明，与传统的CNN相比，自适应DBN不仅在检测精度上有优势，而且在推理时间上也有优势。
2021-10-25 cs.CV cs.NE
Performance Analysis of Various EfficientNet Based U-Net++ Architecture for Automatic Building Extraction from High Resolution Satellite Images
Military Institute of Science and Technology (MIST)（军事科学技术学院（MIST））
本研究提出基于EfficientNet骨干的U-Net++网络，通过深度监督和重设计的跳跃连接提升高分辨率卫星图像建筑提取精度，在Massachusetts数据集上平均准确率92.23%，平均IoU 88.32%，优于现有方法。
2023-09-05 cs.CV cs.LG eess.IV
Cloud Removal in Satellite Images Using Spatiotemporal Generative Networks
Stanford University（斯坦福大学）
卫星图像为持续的环境监测和地球观测带来了巨大的希望。然而，云层造成的遮挡会严重限制覆盖范围，使地面信息抽取更加困难。现有的管道通常使用简单的时间合成和手工制作的过滤器来执行云去除。相比之下，我们将云去除的问题作为一个有条件的图像合成挑战，我们提出了一个可训练的时空生成器网络（STGAN）来去除云。我们训练我们的模型，我们构建了一个新的大规模时空数据集，包含97640图像对覆盖所有大陆。我们通过实验证明，所提出的STGAN模型优于标准模型，可以在各种大气条件下生成具有高PSNR和SSIM值的逼真无云图像，从而提高了土地覆盖分类等下游任务的性能。
2019-12-14 cs.CV
AI-driven Structure Detection and Information Extraction from Historical Cadastral Maps (Early 19th Century Franciscean Cadastre in the Province of Styria) and Current High-resolution Satellite and Aerial Imagery for Remote Sensing
University of Graz（格拉茨大学）；Know Center, Graz（格拉茨知识中心）
针对19世纪地籍资料利用难度大的问题，研究训练了CNN与Vision Transformer等深度学习模型，用于从历史地籍图与遥感影像中提取信息，并开发浏览器工具助力相关研究与文化遗产保护。
2023-12-08 cs.CV cs.LG
Balanced Multi-Task Attention for Satellite Image Classification: A Systematic Approach to Achieving 97.23% Accuracy on EuroSAT Without Pre-Training
Department of Computer Science and Engineering（计算机科学与工程系）
提出一种平衡多任务注意力机制，结合坐标注意力和压缩-激励模块，在EuroSAT数据集上无需预训练即达到97.23%准确率，并通过可学习融合参数和正则化技术有效解决卫星图像分类中的过拟合与类别不平衡问题。
2025-10-17 cs.CV
GPU Acclerated Automated Feature Extraction from Satellite Images
National Remote Sensing Centre, Indian Space Research Organization（印度空间研究组织国家遥感中心）
大量遥感数据的可用性要求特征提取具有更高的自动化程度，这使得它成为一个小时的需求。需要处理的数据量巨大，需要启用加速处理。GPU，最初设计用于提供高效的可视化，被大量用于计算密集型并行处理环境。一般来说，图像处理以及因此自动化的特征提取是高度计算密集型的，其中性能改进对社会需求具有直接影响。在这种情况下，已经制定了一种算法，用于基于图像处理技术从全色或多光谱图像中自动提取特征提取。在图像上分别应用两个拉普拉斯高斯（LoG）掩模，然后检测零交叉点并基于像素与周围像素的标准偏差提取像素。将具有不同LoG掩模的两个提取的图像组合在一起，从而产生具有提取的特征和边缘的图像。最后，用户可以根据所提取的图像中的噪声内容自由地应用图像平滑步骤。图像通过混合中值滤波器从图像中去除椒盐噪声。本文讨论了上述自动特征提取算法，部署GPU的必要性;系统级挑战，并量化了在这种环境中集成GPU的好处。实验结果表明，在充分利用GPU资源的前提下，采用高效的并行化策略，可以显著提高算法的性能裕度。与传统的计算方案相比，性能结果提供了20倍的加速比，在实现这种并行化策略。
2013-04-15 cs.CV cs.DC
SRMF: A Data Augmentation and Multimodal Fusion Approach for Long-Tail UHR Satellite Image Segmentation
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Haina Institute of Zhejiang University, Advanced Technology Institute, Zhejiang University（浙江大学海纳研究院、先进技术研究院）；Binjiang Research Institute of Zhejiang University（浙江大学滨江研究院）
针对超高分辨率卫星图像语义分割中的长尾问题，提出SRMF框架，通过多尺度裁剪、语义重排序与重采样的数据增强策略，结合无需区域文本描述的多模态特征融合知识注入方法，有效提升了分割性能并在多个数据集上达到SOTA。
2025-04-28 cs.CV
Combining Transformers and CNNs for Efficient Object Detection in High-Resolution Satellite Imagery
L2TI Laboratory, Institut Galilée Université Sorbonne Paris Nord SAS Impact（L2TI实验室，Galilée研究所，巴黎十一大学SAS Impact）
提出GLOD架构，结合Swin Transformer与CNN模块处理高分辨率卫星图像，通过多尺度融合与注意力机制在xView上超越SOTA 11.46%。
2025-07-15 cs.CV
Map-Repair: Deep Cadastre Maps Alignment and Temporal Inconsistencies Fix in Satellite Images
Graz University of Technology（格拉茨工业大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））
在快速发展的国家，很难追踪新建筑物的建造或旧建筑物的破坏，因此，很难保持最新的地籍图。此外，由于城市区域的复杂性或用于地籍图提取的数据的不一致性，不对齐形式的误差是一个常见的问题。在这项工作中，我们提出了一种端到端的深度学习方法，该方法能够通过校正标签噪声来解决输入强度图像与可用建筑物足迹之间的不一致，同时，如果需要，还可以校正未对准。所得到的结果表明，所提出的方法的鲁棒性，甚至严重错位的例子，使其潜在的实际应用中，如OpenStreetMap校正。
2020-07-24 cs.CV
Major Limitations of Satellite images
Yeshwant Mahavidyala College (SRTMU)（耶什万特马哈维迪亚拉学院（SRTMU））
遥感已被证明是监测地球表面以改善我们对周围环境的感知的一个有力工具，它导致传感器和信息技术的空前发展。然而，有效利用数据和从遥感数据中提取有用信息的技术仍然非常有限，因为没有一个传感器结合了最佳的光谱、空间和时间分辨率。本文简要回顾了卫星遥感的局限性。并对图像融合技术存在的问题进行了评述。本文的结论是，根据文献资料，遥感领域仍然缺乏有效的遥感数据信息抽取的软件工具。光谱分辨率和空间分辨率之间的权衡将继续存在，需要新的先进数据融合方法，以便最佳利用遥感器提取最有用的信息。
2013-07-09 cs.CV
EpiMask: Leveraging Epipolar Distance Based Masks in Cross-Attention for Satellite Image Matching
Purdue University（普渡大学）
提出EpiMask半稠密匹配网络，通过分块仿射近似相机几何、极线距离注意力掩码限制交叉注意力区域，并微调预训练编码器，在SatDepth数据集上匹配精度提升达30%。
2026-07-01 cs.CV
Beyond Road Extraction: A Dataset for Map Update using Aerial Images
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
越来越多的卫星和航空图像的可用性已经引发了对通过处理航空图像自动更新街道地图的极大兴趣。到目前为止，社区主要集中在道路提取，其中道路网络是从空中图像从头开始推断的。然而，鉴于世界上大多数地区都存在相对高质量的地图，在实践中，必须应用推理方法来更新现有地图，而不是推断新地图。随着最近的道路提取方法显示出较高的准确性，我们认为，现在是时候过渡到更实际的地图更新任务，在现有的地图更新添加，删除和移动道路，而不引入错误的部分现有的地图仍然是最新的。在本文中，我们开发了一个新的数据集称为MUNO21的地图更新任务，并表明它提出了几个新的和有趣的研究挑战。我们评估了几个国家的最先进的道路提取方法在MUNO21上，并发现，将需要大量的进一步提高精度，以实现自动地图更新。
2021-10-10 cs.CV
PP-LinkNet: Improving Semantic Segmentation of High Resolution Satellite Imagery with Multi-stage Training
Grabtaxi Holdings（Grab出租车控股公司）
道路网络和建筑物足迹提取对于许多应用至关重要，例如更新地图、交通法规、城市规划、叫车、灾难响应\textit{etc}。绘制道路网络图目前既昂贵又劳动密集。最近，通过应用深度神经网络对图像分割的改进在从大规模、高分辨率卫星图像中提取道路段方面显示出有希望的结果。然而，由于缺乏足够的标记训练数据来构建用于工业级应用的模型，因此仍然存在重大挑战。在本文中，我们提出了一个两阶段的迁移学习技术，以提高卫星图像的语义分割的鲁棒性，该技术利用了从众包OpenStreetMap（OSM）数据自动（无需人工）获得的噪声伪地面真实掩模。我们进一步提出了金字塔池链接网络（PP-LinkNet），这是一种改进的深度神经网络，用于分割，使用焦点丢失，聚学习率和上下文模块。我们证明了我们的方法的优势，通过对三个流行的数据集在两个任务，即道路提取和建筑物足迹检测进行评估。具体来说，我们在SpaceNet建筑足迹数据集上获得了78.19\%的平均IoU，在SpaceNet和DeepGlobe道路提取数据集上分别获得了67.03\%和77.11\%的道路拓扑度量。
2020-10-14 cs.CV cs.LG eess.IV
Oriented Feature Alignment for Fine-grained Object Recognition in High-Resolution Satellite Imagery
School of Automation, Beijing Institute of Technology（北京理工大学自动化学院）
遥感图像中的定向目标检测近年来取得了很大的进展。然而，目前的方法大多只关注于目标检测，不能很好地区分复杂场景中的细粒度目标。在这份技术报告中，我们分析了细粒度目标识别的关键问题，并使用一个有向特征对齐网络（OFA-Net）来实现高性能的光学遥感图像中的细粒度有向目标识别。OFA-Net通过旋转边界框细化模块实现精确的对象定位。在此基础上，应用边界约束旋转特征对齐模块实现局部特征提取，有利于细粒度的目标分类。该方法的单模型在高分竞赛中获得了46.51%的mAP，在ISPRS基准测试中获得了43.73%的mAP，获得了第3名。
2021-10-13 cs.CV
IncepDeHazeGAN: Novel Satellite Image Dehazing
本文提出IncepDeHazeGAN，结合Inception块和多层特征融合的GAN，用于单图像去雾，通过多尺度特征提取和特征重用提升去雾效果，实验显示在多个数据集上取得最佳性能。
2026-04-17 cs.CV
Building Height Prediction with Instance Segmentation
Huawei Turkey R&D Center（华为土耳其研发中心）
从卫星图像中提取建筑物高度是一个活跃的研究领域，用于许多领域，如电信，城市规划等，许多研究利用DSM（数字表面模型）生成激光雷达或立体图像用于此目的。由于数据量不足、数据质量低、建筑物类型多样、光影角度不同等原因，仅使用RGB图像预测建筑物高度具有挑战性。在这项研究中，我们提出了一种基于实例分割的建筑物高度提取方法，从单个RGB卫星图像中预测建筑物掩模及其各自的高度。我们使用了带有某些城市建筑物高度注释的卫星图像以及带有迁移学习方法的开源卫星数据集。我们达到了，限界框mAP 59，掩模mAP 52.6，和属于我们的测试集中的每个高度类的建筑物的平均准确度值为70%。
2022-12-19 cs.CV
Distilled Roads: Generalisable Road Network Extraction Across Sensors, Resolutions, and Region
本研究提出结合跨分辨率知识蒸馏、多传感器训练与拓扑感知监督的框架，构建出泛化性强、效率高的路网提取模型，在公开基准上性能优于现有最优方法。
2026-08-05 cs.AI cs.CV cs.LG
Holistically-Nested Structure-Aware Graph Neural Network for Road Extraction
Huawei Helsinki Research Center（华为赫尔辛基研究中心）
针对CNN道路提取中长弯曲道路描绘差、拓扑结构缺失等问题，提出同时检测道路区域与边界的多任务GNN，以增强连通性并区分相似地物，提升边界描绘与提取精度。
2024-07-08 cs.CV
PetalView: Fine-grained Location and Orientation Extraction of Street-view Images via Cross-view Local Search with Supplementary Materials
Grab-NUS AI Lab（Grab-NUS人工智能实验室）；National University of Singapore（新加坡国立大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Institute for Infocomm Research, A*STAR（新加坡资讯通信研究院（新加坡科技研究局下属））；Grabtaxi Holdings Pte. Ltd.（GrabTaxi控股私人有限公司）；Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究院）
针对跨视图街景信息提取中现有方法依赖准确角度先验、搜索效率低的问题，提出带多尺度搜索的PetalView提取器及可学习先验角度混合器，实现了亚米亚度级的高精度位姿提取，在多个数据集上取得优异性能。
2024-06-19 cs.CV cs.MM
