techniques

imagen-satélite-deep-learning.com ?

Introducción

El aprendizaje profundo ha revolucionado el análisis y la interpretación de imágenes aéreas y satelitales, abordando desafíos únicos como imágenes de gran tamaño y una amplia gama de clases de objetos. Este repositorio proporciona una descripción exhaustiva de las técnicas de aprendizaje profundo diseñadas específicamente para el procesamiento de imágenes aéreas y satelitales. Cubre una variedad de arquitecturas, modelos y algoritmos adecuados para tareas clave como clasificación, segmentación y detección de objetos.

Cómo utilizar este repositorio: utilice Command + F (Mac) o CTRL + F (Windows) para buscar en esta página, por ejemplo, 'SAM'

Técnicas

• Clasificación
• Segmentación
• Detección de objetos
• Regresión
• Detección y eliminación de nubes
• Detección de cambios
• Serie de tiempo
• Clasificación de cultivos
• Previsión de rendimiento de cultivos y vegetación
• Redes generativas
• Codificadores automáticos, reducción de dimensionalidad, incrustaciones de imágenes y búsqueda de similitudes
• Aprendizaje reducido y sin posibilidades
• Aprendizaje autosupervisado, no supervisado y contrastivo
• RAE
• Grandes modelos de visión y lenguaje (LLM y LVM)
• Modelos fundacionales

Clasificación

El conjunto de datos de UC Merced es un conjunto de datos de clasificación bien conocido.

La clasificación es una tarea fundamental en el análisis de datos de teledetección, donde el objetivo es asignar una etiqueta semántica a cada imagen, como "urbano", "bosque", "tierra agrícola", etc. El proceso de asignar etiquetas a una imagen es conocida como clasificación a nivel de imagen. Sin embargo, en algunos casos, una sola imagen puede contener varios tipos diferentes de cobertura terrestre, como un bosque con un río que lo atraviesa o una ciudad con áreas residenciales y comerciales. En estos casos, la clasificación a nivel de imagen se vuelve más compleja e implica asignar múltiples etiquetas a una sola imagen. Esto se puede lograr utilizando una combinación de extracción de características y algoritmos de aprendizaje automático para identificar con precisión los diferentes tipos de cobertura terrestre. Es importante señalar que la clasificación a nivel de imagen no debe confundirse con la clasificación a nivel de píxeles, también conocida como segmentación semántica. Mientras que la clasificación a nivel de imagen asigna una única etiqueta a una imagen completa, la segmentación semántica asigna una etiqueta a cada píxel individual de una imagen, lo que da como resultado una representación muy detallada y precisa de los tipos de cobertura terrestre en una imagen. Leer Una breve introducción a la clasificación de imágenes satelitales con redes neuronales.

• Clasificación de tierras en datos de Sentinel 2 utilizando un algoritmo de clúster sklearn simple o CNN de aprendizaje profundo

• Clasificación de etiquetas múltiples de fotografías satelitales de la selva amazónica usando keras o FastAI

• EuroSat-Satellite-CNN-y-ResNet -> Clasificación de conjuntos de datos de imágenes personalizados mediante la creación de redes neuronales convolucionales y redes residuales desde cero con PyTorch

• Detección de asentamientos informales a partir de imágenes satelitales mediante el ajuste del clasificador ResNet-50 con repositorio

• Land-Cover-Classification-using-Sentinel-2-Dataset -> artículo de Medium bien escrito que acompaña a este repositorio pero que utiliza el conjunto de datos EuroSAT

• Clasificación de la cobertura terrestre de imágenes satelitales mediante redes neuronales convolucionales utilizando Keras y un conjunto de datos multiespectrales capturados en campos de viñedos del Valle de Salinas, California

• Detectando deforestación a partir de imágenes satelitales -> usando FastAI y ResNet50, con repositorio fsdl_deforestation_detection

• Red neuronal para la clasificación de datos satelitales usando Tensorflow en Python -> Una guía paso a paso para la clasificación de datos multiespectrales Landsat 5 para predicción binaria de clases construidas/no construidas, con repositorio

• Mapeo de barrios marginales de la red CNN previamente entrenada en imágenes VHR (Pléyades: 0,5 m) y MR (Sentinel: 10 m)

• Comparación de entornos urbanos utilizando imágenes satelitales y redes neuronales convolucionales -> incluye un estudio interesante de las características de incrustación de imágenes extraídas para cada imagen en el conjunto de datos de Urban Atlas

• RSI-CB -> Un punto de referencia de clasificación de imágenes de teledetección a gran escala a través de datos de crowdsource. Véase también Clasificación-de-imágenes-de-teledetección

• NAIP_PoolDetection -> modelado como un problema de reconocimiento de objetos, se utiliza una CNN para identificar imágenes como piscinas u otra cosa, específicamente una calle, un tejado o un césped.

• Clasificación de uso y cobertura del suelo mediante una arquitectura de aprendizaje profundo ResNet -> utiliza fastai y el conjunto de datos EuroSAT

• Caso de uso de transformadores de visión: clasificación de imágenes satelitales sin CNN

• WaterNet -> una CNN que identifica el agua en imágenes de satélite

• Clasificación de red de carreteras -> Modelo de clasificación de red de carreteras utilizando ResNet-34, clases de carreteras orgánicas, de parrilla, radiales y sin patrón

• Ampliar la IA para mapear todas las escuelas del planeta

• Tutorial CNN de clasificación Landsat con repositorio

• clasificación-satélite de cruce de peatones

• Comprender la selva amazónica con clasificación de etiquetas múltiples + VGG-19, Inceptionv3, AlexNet y Transfer Learning

• Implementación del modelo 3D-CNN para clasificación de cobertura terrestre -> utiliza el conjunto de datos de Sundarbans, con repositorio

• SSTN -> Red de transformadores espectral-espacial para clasificación de imágenes hiperespectrales: un marco FAS

• SatellitePollutionCNN -> Un algoritmo novedoso para predecir los niveles de contaminación del aire con precisión de última generación utilizando aprendizaje profundo e imágenes satelitales de GoogleMaps

• PropertyClassification -> Clasificación del tipo de propiedad dada Imágenes de bienes raíces, satélite y Street View

• inicio rápido de sentido remoto -> clasificación en varios conjuntos de datos, incluso con visualización de atención

• Clasificación de imágenes satelitales mediante múltiples algoritmos de aprendizaje automático

• satsense -> clasificación de uso/cobertura del suelo utilizando características clásicas que incluyen HoG y NDVI

• PyTorch_UCMerced_LandUse

• Clasificación-de-imagenes-EuroSAT

• landcover_classification -> usando fast.ai en EuroSAT

• IGARSS2020_BWMS -> Arquitectura CNN multiescala de banda ancha para clasificación de escenas de imágenes de detección remota con una arquitectura CNN novedosa para la incorporación de funciones de imágenes RS de alta dimensión

• image.classification.on.EuroSAT -> solución en pytorch puro

• Hurricane_damage -> Evaluación de daños estructurales posteriores al huracán basada en imágenes aéreas

• openai-drivendata-challenge -> Uso del aprendizaje profundo para clasificar el material de construcción de los tejados (imágenes aéreas de América del Sur)

• está-abandonada -> ¿Podemos saber si una casa está abandonada basándose en imágenes aéreas LIDAR?

• BoulderAreaDetector -> CNN para clasificar si una imagen de satélite muestra que un área sería un buen lugar para escalar rocas o no

• ISPRS_S2FL -> Conjuntos de datos de referencia de teledetección multimodal para la clasificación de la cobertura terrestre con un modelo de aprendizaje de características compartido y específico

• Detección de café brasileño -> utiliza Keras con un conjunto de datos públicos

• tf-crash-severity -> predecir la gravedad del accidente para determinadas características de la carretera contenidas en imágenes de satélite

• ensemble_LCLU -> Conjuntos de redes neuronales profundas para la detección remota de la cobertura del suelo y la clasificación del uso del suelo

• cerraNet -> clasificar contextualmente los tipos de uso y cobertura en el Cerrado brasileño

• Análisis-urbano-uso-de-imágenes-satélites -> clasificar el área urbana como planificada o no planificada utilizando una combinación de segmentación y clasificación

• ChipClassification -> Aprendizaje profundo para la clasificación multimodal de escenas de nubes, sombras y cobertura terrestre en imágenes de PlanetScope y Sentinel-2

• DeeplearningClassficationLandsat-tImages -> Clasificación de agua/hielo/tierra utilizando imágenes satelitales Landsat de resolución media y gran escala

• wildfire-detection-from-satellite-images-ml -> detectar si una imagen contiene un incendio forestal, con la aplicación web flask de ejemplo

• descubrimiento-minero-con-aprendizaje-profundo -> Detección de presas de relaves y minería en imágenes satelitales mediante aprendizaje profundo

• Plataforma-e-Farmerce -> clasificar tipo de cultivo

• sentinel2-deep-learning -> Nuevas metodologías de capacitación para la clasificación terrestre de imágenes Sentinel-2

• Transferencia RSSC -> El papel de la capacitación previa en la clasificación de escenas de teledetección de alta resolución

• Clasificación de fotografías georreferenciadas e imágenes satelitales para respaldar la clasificación del terreno -> detectar inundaciones

• Preste más atención -> Clasificación de escenas de imágenes de teledetección basada en un módulo de atención mejorada

• Clasificación de imágenes de teledetección mediante una estrategia mejorada de aprendizaje por transferencia y pérdida de entropía cruzada basada en redes neuronales convolucionales profundas

• DenseNet40-for-HRRSISC -> DenseNet40 para clasificación de escenas de imágenes de teledetección, utiliza UC Merced Dataset

• SKAL -> Mirando más de cerca la escena: aprendizaje de representación multiescala para la clasificación de escenas de imágenes por teledetección

• potsdam-tensorflow-practice -> clasificación de imágenes del conjunto de datos de Potsdam usando tensorflow

• SAFF -> Fusión de funciones profundas basada en la autoatención para la clasificación de escenas de detección remota

• GLNET -> Clasificación de escenas de detección remota basada en redes neuronales convolucionales en entornos despejados y nublados

• Clasificación de imágenes de teledetección -> transferir aprendizaje usando pytorch para clasificar datos de teledetección en tres clases: aviones, barcos, ninguna

• remote_sensing_pretrained_models -> como alternativa al ajuste fino de modelos previamente entrenados en ImageNet, aquí algunas CNN están previamente entrenadas en los conjuntos de datos RSD46-WHU y AID

• CNN_AircraftDetection -> CNN para detección de aeronaves en imágenes satelitales usando keras

• OBIC-GCN -> Marco de clasificación basado en objetos de imágenes de teledetección con redes convolucionales de gráficos

• aitlas-arena -> Un marco de referencia de código abierto para evaluar enfoques de aprendizaje profundo de última generación para la clasificación de imágenes en Observación de la Tierra (EO)

• drywatch -> Predicción satelital de las condiciones del forraje para el ganado en el norte de Kenia

• JSTARS_2020_DPN-HRA -> Redes prototípicas profundas con atención residual híbrida para clasificación de imágenes hiperespectrales

• SIGNA -> Atención de canal global de entrelazado semántico para clasificación de imágenes de detección remota de etiquetas múltiples

• Clasificación de imágenes de satélite utilizando datos de rmldnn y Sentinel 2

• PBDL -> Aprendizaje discriminativo basado en parches para la clasificación de escenas por teledetección

• EmergencyNet -> identificar incendios y otras emergencias desde un dron

• satelital-deforestation -> Uso de imágenes satelitales para identificar los principales indicadores de deforestación, aplicado al desafío Kaggle Entendiendo el Amazonas desde el espacio

• RSMLC -> Arquitecturas de redes profundas como extractores de características para la clasificación de etiquetas múltiples de imágenes de teledetección

• FireRisk -> Un conjunto de datos de teledetección para la evaluación del riesgo de incendio con puntos de referencia mediante el aprendizaje supervisado y autosupervisado

• Flood_susceptibility_mapping -> Hacia un mapeo de susceptibilidad a inundaciones urbanas utilizando modelos basados ​​en datos en Berlín, Alemania

• tick-tick-bloom -> Ganadores del Tick Tick Bloom: Desafío de detección de floración de algas nocivas. La tarea consistía en predecir la gravedad de la proliferación de algas; los ganadores utilizaron árboles de decisión

• Estimación del funcionamiento de una central eléctrica de carbón a partir de imágenes satelitales con visión por computadora -> utilice datos de Sentinel 2 para identificar si una central eléctrica de carbón está encendida o apagada, con conjunto de datos y repositorio

• Detección-de-edificios-y-reconocimiento-de-tipos-de-techos -> Un enfoque basado en CNN para la detección automática de edificios y el reconocimiento de tipos de tejados utilizando una única imagen aérea

• Comparación de rendimiento de canales multiespectrales para la clasificación del uso del suelo -> ResNet-50, ResNet-101, ResNet-152, Vision Transformer implementados en RGB y versiones multiespectrales del conjunto de datos EuroSAT.

• SNN4Space -> proyecto que investiga la viabilidad de implementar redes neuronales de picos (SNN) en tareas de clasificación de cobertura y uso del suelo

• clasificación de buques -> clasificar buques e identificar el comportamiento de pesca basándose en datos AIS

• RSMamba -> Clasificación de imágenes de teledetección con modelo de espacio de estados

• BirdSAT -> Codificadores automáticos enmascarados contrastantes de vista cruzada para clasificación y mapeo de especies de aves

• EGNNA_WND -> Estimación de la presencia de la enfermedad del Nilo Occidental empleando la red Graph Neural

• cyfi -> Estimar la densidad de cianobacterias según las imágenes del satélite Sentinel-2

Segmentación

(izquierda) una imagen de satélite y (derecha) las clases semánticas de la imagen.

La segmentación de imágenes es un paso crucial en el análisis de imágenes y la visión por computadora, con el objetivo de dividir una imagen en segmentos o regiones semánticamente significativos. El proceso de segmentación de imágenes asigna una etiqueta de clase a cada píxel de una imagen, transformando efectivamente una imagen de una cuadrícula de píxeles 2D a una cuadrícula de píxeles 2D con etiquetas de clase asignadas. Una aplicación común de la segmentación de imágenes es la segmentación de carreteras o edificios, donde el objetivo es identificar y separar carreteras y edificios de otras características dentro de una imagen. Para realizar esta tarea, a menudo se entrenan modelos de clase única para diferenciar entre carreteras y fondo, o edificios y fondo. Estos modelos están diseñados para reconocer características específicas, como color, textura y forma, que son características de carreteras o edificios, y utilizan esta información para asignar etiquetas de clase a los píxeles de una imagen. Otra aplicación común de la segmentación de imágenes es la clasificación del uso del suelo o del tipo de cultivo, donde el objetivo es identificar y mapear diferentes tipos de cobertura del suelo dentro de una imagen. En este caso, los modelos multiclase se suelen utilizar para reconocer y diferenciar entre múltiples clases dentro de una imagen, como bosques, áreas urbanas y tierras agrícolas. Estos modelos son capaces de reconocer relaciones complejas entre diferentes tipos de cobertura terrestre, lo que permite una comprensión más completa del contenido de la imagen. Lea Una breve introducción a la segmentación de imágenes satelitales con redes neuronales. Tenga en cuenta que muchos artículos que se refieren a la "clasificación hiperespectral de tierras" a menudo describen en realidad la segmentación semántica. Fuente de la imagen

Segmentación: uso y cobertura del suelo

• U-Net para la segmentación semántica de imágenes aéreas desequilibradas -> utilizando el conjunto de datos de Dubai

• Segmentación semántica del conjunto de datos de Dubai utilizando un modelo U-Net de TensorFlow

• nga-deep-learning -> realiza segmentación semántica en datos GeoTIF de alto resultado utilizando U-Net y Keras modificados, publicado por investigadores de la NASA

• Detección automática de vertederos mediante aprendizaje profundo

• SpectralNET -> una CNN wavelet 2D para clasificación de imágenes hiperespectrales, utiliza el conjunto de datos de escena de Salinas y Keras

• laika -> El objetivo de este repositorio es investigar fuentes potenciales de datos de imágenes satelitales e implementar varios algoritmos para la segmentación de imágenes satelitales.

• PEARL -> una herramienta de IA con participación humana para reducir drásticamente el tiempo necesario para producir un mapa preciso de uso/cobertura terrestre (LULC), publicación de blog, utiliza Microsoft Planetary Computer y modelos ML que se ejecutan localmente en el navegador. Código para backelnd y frontend

• Clasificación de cobertura terrestre con U-Net -> Tarea de segmentación semántica de clases múltiples de imágenes satelitales con PyTorch Implementación de U-Net, utiliza el conjunto de datos de segmentación de cobertura terrestre DeepGlobe, con código

• Segmentación semántica multiclase de imágenes de satélite utilizando U-Net utilizando el conjunto de datos DSTL, tensorflow 1 y python 2.7. Artículo adjunto

• Base de código para clasificación de cobertura terrestre de múltiples clases con U-Net que acompaña a una tesis de maestría, utiliza Keras

• dubai-satellite-imagery-segmentation -> debido al pequeño conjunto de datos, se utilizó el aumento de imágenes

• Segmentación CDL -> Clasificación de tipos de cultivos y cobertura terrestre basada en aprendizaje profundo: un estudio comparativo. Compara UNet, SegNet y DeepLabv3+

• LoveDA -> Un conjunto de datos de cobertura terrestre de teledetección para la segmentación semántica adaptativa de dominios

• Segmentación semántica de imágenes satelitales con CNN -> 7 clases de segmentación diferentes, conjunto de datos del DeepGlobe Land Cover Classification Challenge, con repositorio

• Artículo mediano sobre segmentación semántica aérea utilizando el modelo de aprendizaje profundo U-Net, con repositorio

• UNet-Satellite-Image-Segmentation -> Una implementación de Tensorflow del marco de segmentación semántica ligero de UNet

• Solución del desafío de clasificación de cobertura terrestre de DeepGlobe

• Segmentación-semántica-con-imágenes-satélites-PyTorch -> predecir 25 clases en imágenes RGB tomadas para evaluar los daños después del huracán Harvey

• Segmentación semántica con imágenes Sentinel-2 -> utiliza el conjunto de datos LandCoverNet y fast.ai

• CNN_Enhanced_GCN -> Red convolucional de gráficos mejorada por CNN con fusión de funciones a nivel de píxeles y superpíxeles para clasificación de imágenes hiperespectrales

• LULCMapping-WV3images-CORINE-DLMethods -> Mapeo de uso y cobertura del suelo utilizando enfoques de segmentación basados ​​en aprendizaje profundo e imágenes VHR Worldview-3

• MCANet -> Un marco de segmentación semántica conjunta de imágenes ópticas y SAR para la clasificación del uso del suelo. Utiliza el conjunto de datos WHU-OPT-SAR

• MUnet-LUC

• land-cover -> Generalización de modelos en aplicaciones de aprendizaje profundo para mapeo de cobertura terrestre

• generalizablersc -> Aprendizaje de conjuntos de datos cruzados para la clasificación generalizable de escenas de uso del suelo

• Identificación-automática-a-gran-escala de terrenos-baldíos-urbanos -> Identificación automática a gran escala de terrenos-baldíos-urbanos mediante segmentación semántica de imágenes de detección remota de alta resolución

• SSLTransformerRS -> Transformadores de visión autosupervisados ​​para segmentación y clasificación de cobertura terrestre

• segmentación-de-azulejos aéreos -> Segmentación semántica de imágenes satelitales grandes en 6 clases utilizando Tensorflow 2.0 y el conjunto de datos de referencia ISPRS

• LULCMapping-WV3images-CORINE-DLMethods -> Mapeo de uso y cobertura del suelo utilizando enfoques de segmentación basados ​​en aprendizaje profundo e imágenes VHR Worldview-3

• DCSA-Net -> Red de autoatención de convolución dinámica para clasificación de cobertura terrestre en imágenes de teledetección VHR

• CHeGCN-CNN_enhanced_Heterogeneous_Graph -> Red convolucional de gráficos heterogéneos mejorados por CNN: inferir el uso de la tierra a partir de la cobertura terrestre con un estudio de caso de segmentación de parques

• TCSVT_2022_DGSSC -> DGSSC: Un clasificador espectral-espacial generativo profundo para imágenes hiperespectrales desequilibradas

• DeepForest-Wetland-Paper -> Clasificador Deep Forest para mapeo de humedales utilizando la combinación de datos Sentinel-1 y Sentinel-2, ciencia GIS y teledetección

• Wetland_UNet -> Modelos UNet que pueden delimitar humedales utilizando datos de teledetección, incluidas bandas de Sentinel-2 LiDAR y geomorfonas. Por el Centro de Innovación en Conservación de Chesapeake Conservancy y Defenders of Wildlife

• DPA -> DPA es un método de adaptación de dominio no supervisado (UDA) aplicado a diferentes imágenes satelitales para mapeo de cobertura terrestre a gran escala.

• Dynamicworld -> Dynamic World, mapeo global de cobertura terrestre de uso de la tierra de 10 m casi en tiempo real

• spada -> Segmentación de la cobertura terrestre con anotaciones dispersas de imágenes de Sentinel-2

• M3SPADA -> Adaptación de dominio temporal no supervisada con sensores múltiples para mapeo de cobertura terrestre con pseudoetiquetado espacial y aprendizaje contradictorio

• GLNet -> Redes colaborativas globales-locales para la segmentación eficiente de la memoria de imágenes de resolución ultraalta

• LoveNAS -> LoveNAS: hacia el mapeo de cobertura terrestre de múltiples escenas a través de una red adaptativa de búsqueda jerárquica

• Desafío FLAIR-2 -> Desafío de segmentación semántica y adaptación de dominio propuesto por el Instituto Nacional de Información Geográfica y Forestal de Francia (IGN)

• flair-2 solución del octavo lugar

Segmentación: vegetación, deforestación, cultivos y límites de cultivos

Tenga en cuenta que la detección de deforestación puede tratarse como una tarea de segmentación o una tarea de detección de cambios.

• DetecTree -> Detección de árboles a partir de imágenes aéreas en Python, un clasificador LightGBM de píxeles de árboles y no árboles a partir de imágenes aéreas

• Сrор detección de límites de campo: enfoques y principales desafíos -> Artículo mediano, que cubre enfoques históricos y modernos

• kenya-crop-mask -> Mapeo de cultivos anuales y de temporada en Kenia: clasificador LSTM para clasificar los píxeles según contengan cultivos o no, y un pronosticador multiespectral que proporciona una serie temporal de 12 meses con una entrada parcial. Conjunto de datos descargado de GEE y pytorch lightning utilizado para entrenamiento

• ¿Qué está creciendo allí? Identifique cultivos a partir de datos de teledetección multiespectrales (Sentinel 2) utilizando eo-learn para preprocesamiento de datos, detección de nubes, cálculo de NDVI, aumento de imágenes y fastai.

• Clasificación de especies de árboles a partir de LiDAR aéreo y datos hiperespectrales utilizando redes neuronales convolucionales 3D

• clasificación de tipo de cultivo -> el uso de datos de Sentinel 1 y 2 con U-Net + LSTM, más funciones (es decir, bandas) y mayor resolución produjeron mejores resultados (artículo, sin código)

• Encuentre campos deportivos usando Mask R-CNN y superpóngalos en un mapa de calles abierto

• Un LSTM para generar una máscara de recorte para Togo

• DeepSatModels -> Preentrenamiento contrastivo propio del contexto para la segmentación semántica del tipo de cultivo

• farm-pin-crop-detection-challenge -> Uso de eo-learn y fastai para identificar cultivos a partir de datos de detección remota multiespectrales

• Detección de tierras de cultivo agrícolas a partir de imágenes satelitales Sentinel-2 -> Desarrollamos UNet-Agri, un modelo de aprendizaje automático de referencia que clasifica las tierras de cultivo utilizando imágenes Sentinel-2 de acceso abierto con una resolución espacial de 10 m.

• DeepTreeAttention -> Implementación de Hang et al. 2020 "Clasificación de imágenes hiperespectrales con CNN asistidas por atención" para la predicción de especies de árboles

• Clasificación de cultivos -> clasificación de cultivos utilizando imágenes satelitales multitemporales

• ParcelDelineation -> usando un conjunto de datos de polígonos franceses y unet en keras

• crop-mask -> Flujo de trabajo de un extremo a otro para generar mapas de tierras de cultivo de alta resolución, utiliza el modelo GEE y LSTM

• DeepCropMapping -> Un enfoque de aprendizaje profundo multitemporal con generalización espacial mejorada para mapeo dinámico de maíz y soja, utiliza LSTM

• Segmente la cubierta del dosel y el suelo usando NDVI y Rasterio

• Utilice la agrupación de KMeans para segmentar imágenes satelitales por cobertura y uso del suelo

• ResUnet-a -> un marco de aprendizaje profundo para la segmentación semántica de datos de detección remota

• DSD_paper_2020 -> Clasificación de tipos de cultivos basada en aprendizaje automático con datos multitemporales de Sentinel-1

• MR-DNN -> extraer campo de arroz de imágenes de satélite Landsat 8

• deep_learning_forest_monitoring -> Mapeo y monitoreo forestal del continente africano utilizando datos de Sentinel-2 y aprendizaje profundo

• mapeo-de-tierras-de-cultivo-global -> mapeo global-de-tierras-de-cultivo multitemporales

• U-Net para la segmentación semántica de campos de cultivo de soja con imágenes SAR

• UNet-RemoteSensing -> utiliza 7 bandas de Landsat y keras

• Landuse_DL -> delinear accidentes geográficos debido al deshielo del permafrost rico en hielo

• dosel -> Un clasificador de redes neuronales convolucionales identifica especies de árboles en bosques mixtos de coníferas a partir de imágenes hiperespectrales

• RandomForest-Classification -> Datos multisensor para derivar comunidades de vegetación de turberas utilizando un vehículo aéreo no tripulado de ala fija

• forest_change_detection -> segmentación de cambios de bosque con modelos dependientes del tiempo, incluidos los modelos Siamese, UNet-LSTM, UNet-diff, UNet3D

• cultionet -> segmentación de tierras cultivadas, construida sobre PyTorch Geométrico y PyTorch Lightning

• Sentinel-tree-cover -> Un método global para identificar árboles fuera de bosques de dosel cerrado con imágenes satelitales de resolución media

• crop-type-detection-ICLR-2020 -> Soluciones ganadoras del concurso de detección de tipos de cultivos en el taller CV4A, ICLR 2020

• Identificación de cultivos mediante imágenes satelitales -> Artículo mediano, introducción a la identificación de cultivos

• S4A-Models -> Varios experimentos en el conjunto de datos Sen4AgriNet

• atención-mecanismo-unet -> Una U-Net basada en la atención para detectar la deforestación dentro de imágenes de sensores satelitales

• Cocoa_plantations_detection -> Detección de plantaciones de cacao en Costa de Marfil utilizando datos de teledetección Sentinel-2 utilizando KNN, SVM, Random Forest y MLP

• SummerCrop_Deeplearning -> Un modelo de clasificación de aprendizaje transferible y estimación del secuestro de carbono de cultivos en ecosistemas de tierras agrícolas

• DeepForest es un paquete de Python para entrenar y predecir copas de árboles individuales a partir de imágenes RGB aéreas

• Repositorio oficial del desafío "Identificar árboles en imágenes de satélite" de Omdena

• Counting-Trees-using-Satellite-Images -> crear un inventario de árboles entrantes y salientes para una inspección anual de árboles, utiliza keras y segmentación semántica

• Artículo de Nature de 2020: un recuento inesperadamente grande de árboles en el Sahara y el Sahel de África occidental -> marco de detección de árboles basado en U-Net y tensorflow 2 con código aquí

• TreeDetection -> Un clasificador basado en colores para detectar los árboles en los datos de imágenes de Google junto con la localización visual de los árboles y cálculos del tamaño de la copa a través de OpenCV

• PTDM -> Método de detección de pomelo basado en el mecanismo de atención y la fusión de características entre capas

• detección-de-árboles-urbanos -> Detección de árboles individuales en entornos urbanos a gran escala mediante imágenes multiespectrales de alta resolución. Con conjunto de datos

• BioMassters_baseline -> una línea base básica de rayos de pytorch que utiliza UNet para comenzar con el desafío BioMassters (estimación de biomasa)

• Ganadores de Biomassters -> 3 mejores soluciones

• Solución de kbrodt biomassters -> Solución del 1er lugar

• solución de biomasadores quqixun

• estimación-de-biomasa -> de Azavea, aplicada a Sentinel 1 y 2

• 3DUNetGSFormer -> Un canal de aprendizaje profundo para el mapeo complejo de humedales utilizando redes generativas adversarias y transformador Swin

• SEANet_torch -> Uso de una red neuronal multitarea con reconocimiento de bordes semánticos para delinear parcelas agrícolas a partir de imágenes de detección remota

• arborizador -> Segmentación y clasificación de copas de árboles

• Reutilización -> Unidad regresiva para almacenamiento de carbono y estimación de biomasa aérea

• unet-sentinel -> UNet manejará imágenes SAR Sentinel-1 para identificar la deforestación

• MaskedSST -> Transformadores de visión enmascarados para clasificación de imágenes hiperespectrales

• UNet-defmapping -> tesis de maestría usando UNet para mapear la deforestación usando imágenes Sentinel-2 Nivel 2A, aplicadas al conjunto de datos de la Amazonía y la Selva Atlántica

• cvpr-multiearth-deforestation-segmentation -> ingreso multimodal de Unet al desafío de deforestación CVPR Multiearth 2023

• clasificación-de-trigo-supervisada-usando-pytorchs-torchgeo -> clasificación de trigo supervisada usando torchgeo

• TransUNetplus2 -> TransU-Net++: Repensar TransU-Net con acceso cerrado para el mapeo de deforestación. Utiliza el conjunto de datos del bosque amazónico y atlántico

• Un modelo de altura del dosel de la Tierra de alta resolución -> Un modelo de altura del dosel de la Tierra de alta resolución

• Radiant Earth Spot the Crop Challenge -> Los modelos ganadores del Radiant Earth Spot the Crop Challenge utilizan una serie temporal de datos multiespectrales de Sentinel-2 para clasificar cultivos en el Cabo Occidental de Sudáfrica. Otra solución

• transfer-field-delineation -> Aprendizaje de transferencia multirregional para la segmentación de límites de campos de cultivo en imágenes de satélite con etiquetas limitadas

• detección-de-corte -> Detección automática de corte y pastoreo a partir de imágenes Sentinel

• PTAViT3D y PTAViT3DCA -> Abordar las nubes esponjosas: detección de límites de campo utilizando series temporales de imágenes S2 y/o S1

• ai4boundaries -> un paquete de Python que facilita la descarga del conjunto de datos AI4boundaries

Segmentación - Agua, costas, ríos e inundaciones

• pytorch-waterbody-segmentation -> Modelo UNET entrenado en el conjunto de datos de Imágenes satelitales de cuerpos de agua de Kaggle. El modelo se implementa en Hugging Face Spaces.

• Detección y análisis de inundaciones utilizando UNET con Resnet-34 como columna vertebral utiliza fastai

• Detección automática de inundaciones a partir de imágenes satelitales mediante aprendizaje profundo

• UNSOAT utilizó fastai para entrenar a un Unet para realizar segmentación semántica en imágenes satelitales para detectar agua

• Clasificación y segmentación semisupervisada de imágenes aéreas de alta resolución: solución del problema de FloodNet

• Houston_flooding -> etiquetar cada píxel como inundado o sin utilizar datos del huracán Harvey. El conjunto de datos constaba de imágenes anteriores y posteriores a la inundación, y se creó una máscara de agua de inundación real utilizando agrupamiento no supervisado (con DBScan) de píxeles de la imagen con verificación/ajuste de grupo humano.

• ml4floods -> Un ecosistema de datos, modelos y canales de código para abordar las inundaciones con ML

• Una guía completa para comenzar con la competencia de detección de inundaciones de ETCI -> usando Sentinel1 SAR y pytorch

• Mapee las inundaciones de imágenes SAR con SageMaker -> aplicado al conjunto de datos Sentinel-1

• Solución de primer lugar para STAC Overflow: Map Floodwater a partir de imágenes de radar alojadas por Microsoft AI for Earth -> combina Unet con Catboostclassifier, tomando sus máximos, no el promedio

• hidra-inundaciones -> una aplicación Python de código abierto para descargar, procesar y entregar mapas de aguas superficiales derivados de datos de detección remota

• CoastSat -> herramienta para mapear líneas costeras que tiene una extensión CoastSeg usando modelos de segmentación

• Satellite_Flood_Segmentation_of_Harvey -> explora tanto el aprendizaje profundo como los kmeans tradicionales

• Detección de inundaciones mediante imágenes satelitales

• ETCI-2021-Competencia-en-detección de inundaciones -> Experimentos sobre segmentación de inundaciones en imágenes SAR Sentinel-1 con pseudoetiquetado cíclico y capacitación de estudiantes ruidosos

• FDSI -> Detección de Inundaciones en Imágenes Satelitales - Tarea Satélite Multimedia 2017

• deepwatermap -> un modelo profundo que segmenta el agua en imágenes multiespectrales

• rivamap -> un motor automatizado de mapeo y análisis de ríos

• aguas profundas -> rastrear cambios en el nivel del agua

• WatNet -> Una ConvNet profunda para mapeo de aguas superficiales basada en la imagen Sentinel-2, utiliza el conjunto de datos de aguas superficiales de la Tierra

• Mapeo-de-extensión-de-inundaciones-de-red-de-la-UA

• objetos flotantes -> HACIA LA DETECCIÓN DE OBJETOS FLOTANTES A ESCALA GLOBAL CON CARACTERÍSTICAS ESPACIALES APRENDIDAS UTILIZANDO SENTINEL 2. Utiliza U-Net y pytorch

• SpaceNet8 -> solución básica de Unet para detectar carreteras y edificios inundados

• dlsim -> Rompiendo los límites de la teledetección mediante simulación y aprendizaje profundo para el mapeo de flujos de inundaciones y escombros

• Water-HRNet -> HRNet entrenado en Sentinel 2

• modelo de segmentación semántica para identificar terrenos recientemente desarrollados o inundados utilizando imágenes NAIP proporcionadas por Chesapeake Conservancy, capacitación en MS Azure

• BandNet -> Análisis y aplicación de datos multiespectrales para la segmentación del agua mediante aprendizaje automático. Utiliza datos de Sentinel-2

• mmflood -> MMFlood: un conjunto de datos multimodal para la delimitación de inundaciones a partir de imágenes satelitales (Sentinel 1 SAR)

• Urban_flooding -> Hacia modelos transferibles basados ​​en datos para predecir la profundidad del agua de inundaciones pluviales urbanas en Berlín, Alemania

• Mapeo de inundaciones utilizando imágenes de satélite -> tesis de maestría que compara Random Forest y Unet

• MECNet -> Funciones ricas de CNN para la segmentación de cuerpos de agua a partir de imágenes aéreas y satelitales de muy alta resolución

• SWRNET -> Un enfoque de aprendizaje profundo para el reconocimiento de pequeñas áreas de aguas superficiales a bordo de satélites

• elwha-segmentation -> ajuste fino de Meta's Segment Anything (SAM) para la segmentación de píxeles de río a vista de pájaro, con artículo de Medium

• RiverSnap -> código para el artículo: Un análisis comparativo del rendimiento de modelos populares de aprendizaje profundo y el modelo Segment Anything (SAM) para la segmentación del agua de los ríos en imágenes de teledetección de corto alcance

Segmentación: áreas de incendio, humo y quemaduras

• SatelliteVu-AWS-Disaster-Response-Hackathon -> predicción de propagación de incendios mediante aprendizaje automático clásico y aprendizaje profundo

• Detección de incendios forestales utilizando U-Net entrenado en Databricks y Keras, segmentación semántica

• Un método práctico para el monitoreo de áreas quemadas de alta resolución utilizando Sentinel-2 y VIIRS

• Predicción de riesgo de incendios forestales geoespaciales con IA -> Un modelo predictivo que utiliza datos ráster geoespaciales para evaluar el potencial de peligro de incendios forestales en los Estados Unidos contiguos utilizando Unet

• IndustrialSmokePlumeDetection -> usando Sentinel-2 y un ResNet-50 modificado

• detección-de-área-quemada -> usa Sentinel-2

• rescate -> Atención a incendios: modelos multicanal de aprendizaje profundo para la predicción de la gravedad de los incendios forestales

• smoke_segmentation -> Segmentar columnas de humo y predecir la densidad a partir de imágenes GOES

• detección de incendios forestales -> Uso de Vision Transformers para una detección mejorada de incendios forestales en imágenes de satélite

• Burned_Area_Detection -> Detección de áreas quemadas con datos de Sentinel-2

• línea base del área quemada -> modelo unet de línea base que acompaña al conjunto de datos satelitales sobre el área quemada (Sentinel 1 y 2)

• burn-area-seg -> Segmentación del área quemada de Sentinel-2 mediante aprendizaje multitarea

• chabud2023 -> Detección de cambios para el desafío ECML/PKDD 2023 de Delineación de áreas quemadas (ChaBuD)

• Detección posterior de incendios forestales utilizando Siamese-UNet -> en el conjunto de datos de Chadbud

• vit-burned-detection -> Transformadores de visión en delimitación de zona quemada

Segmentación - Deslizamientos de tierra

• landslide-sar-unet -> Aprendizaje profundo para la detección rápida de deslizamientos de tierra utilizando cubos de datos de radar de apertura sintética (SAR)

• landslide-mapping-with-cnn -> Una nueva estrategia para mapear deslizamientos de tierra con una red neuronal convolucional generalizada

• RELICT_LANDSLIDES_CNN_KMEANS-> Relicionar la detección de deslizamientos de tierra en áreas de la selva tropical utilizando una combinación de algoritmo de agrupación K-means y modelos de segmentación semántica de aprendizaje profundo

• Mapeante de tierra-sar-data-by-otention-u-net-> mapeo rápido de deslizamiento de tierra en datos SAR por atención U-Net

• Pretraining SAR-Landslide-Detection-> La clasificación de deslizamientos de tierra basada en SAR previa el preetratenial conduce a una mejor segmentación

• Mapeo de deslizamientos de tierra de imágenes Sentinel-2 a través de la detección de cambios

Segmentación - glaciares

• HED -Unet -> Un modelo para la segmentación semántica simultánea y la detección de borde, los ejemplos proporcionados son los frentes de glaciares y las huellas de edificios utilizando el conjunto de datos de etiquetado de imágenes aéreas de INRIA

• Glacier_mapping -> Mapeo de glaciares en el himalaya hindú Kush, imágenes Landsat 7, etiquetas de archivo de forma de los glaciares, un metro con abandono

• Glacier Detect-ML-> Un modelo de regresión logística simple para identificar un glaciar en las imágenes satelitales Landsat

• Glaciersemanticsegmentation

• Detección de fractura antártica-> utiliza unlo con el mosaico Modis de la Antártida para detectar fracturas de superficie

Segmentación: otro medio ambiente

• Detección de vertederos abiertos -> utiliza Sentinel -2 para detectar grandes cambios en la relación de quemadura normalizada (NBR)

• SEA_ICE_REMOTE_SENSING -> Clasificación de concentración de hielo marino

• Metano detección de hyperspectral-iMagery-> Métodos de detección remota profundas para la detección de metano en imágenes hiperespectrales aéreas

• Methane-emission-Project-> CNN de clasificación se combinó en un enfoque de conjunto con métodos tradicionales en datos tabulares

• CH4Net -> Un modelo rápido y simple para la detección de columnas de metano usando Sentinel -2

• Eddynet -> Una red neuronal profunda para la clasificación de píxeles de remolinos oceánicos

• Schisto -Vegetation -> Segmentación de aprendizaje profundo de imágenes satelitales identifica la vegetación acuática asociada con huéspedes intermedios de esquistosomiasis en Senegal, África

• EarthFormer -> Explorar los transformadores del espacio -tiempo para el pronóstico del sistema Earth

• Weather4cast-2022-> Unet-3D Modelo de referencia para Weather4Cast Rain Rain Predicción de películas Competencia

• WeatherFusionnet -> Predecir la precipitación a partir de datos satelitales. Weather4Cast-2022 Solución de 1er lugar

• MarinedebrisDetector-> Detección a gran escala de escombros marinos en áreas costeras con Sentinel-2

• Kaggle-Identify-Entails-4th-> 4to lugar Solución, Google Research-Identifique estelas para reducir el calentamiento global

• Minesgsat -> Un sistema automatizado para evaluar la extensión de área perturbada por la minería de las imágenes Sentinel -2

• Starcop: segmentación semántica de plumas de metano con modelos de aprendizaje automático hiperespectral

• ASOS -> Reconocimiento de patrones protegidos y antropogénicos en paisajes utilizando aprendizaje automático interpretable e imágenes satelitales

Segmentación - Carreteras y aceras

Extraer carreteras es un desafío debido a las oclusiones causadas por otros objetos y el complejo entorno de tráfico

• Chesapeakersc -> segmentación para extraer carreteras desde el fondo, pero también se evalúan por cómo funcionan en la clase "Canopy de árbol sobre la carretera"

• Detección de carreteras utilizando segmentación semántica y albumentaciones para el aumento de datos utilizando el conjunto de datos de Massachusetts Roads, U-Net y Keras. Con código

• Ml_epfl_project_2 -> U -net en Pytorch para realizar la segmentación semántica de carreteras en imágenes satelitales

• Segmentación semántica de carreteras que usan keras en u-net, datos OSM, artículo de resumen del proyecto por alumno, sin código

• Soluciones ganadoras del desafío de detección y enrutamiento de Spacenet Road

• RoadVecnet-> Road-network-segmation y vectorización en keras con conjunto de datos

• Detección de tipos de carreteras y carreteras Jupyter Notebook

• Awesome-DepeP-Map-> Una lista curada de recursos dedicados a los algoritmos de aprendizaje profundo / visión por computadora para el mapeo. Los problemas de mapeo incluyen inferencia de redes de carreteras, extracción de huella de construcción, etc.

• Roadtracer: Extracción automática de redes de carreteras de imágenes aéreas -> utiliza un proceso de búsqueda iterativo guiado por una función de decisión basada en CNN para derivar el gráfico de red de carreteras directamente de la salida del CNN

• Road_detection_mtl -> Detección de carreteras utilizando una técnica de aprendizaje de varias tareas para mejorar el rendimiento de la tarea de detección de carreteras mediante la incorporación de restricciones de conocimiento previos, utiliza el conjunto de datos de carreteras Spacenet

• Road_connectividad -> Conectividad de carretera mejorada por aprendizaje conjunto de orientación y segmentación (CVPR2019)

• Road-Network-Extracción utilizando el procesamiento de imágenes clásicas-> Detección de borde de Blur y Canny

• Spin_Roadmapper -> Extrayendo carreteras de imágenes aéreas a través de la gráfica de espacio espacial e interacción razonamiento para conducir autónoma

• ROAD_EXTRACTION_REMOTE_SENSING -> Implementación de Pytorch, CVPR2018 Complemento de desafío de extracción de carretera DeepGlobe. Ver también DeepGlobe-Road-Extraction-Challenge

• Conjunto de datos de RoadDetections de Microsoft

• Coanet -> Red de atención de conectividad para la extracción de carreteras de imágenes satelitales. El módulo COA incorpora información gráfica para garantizar que la conectividad de las carreteras esté mejor conservada.

• Segmentación de carreteras de imágenes satelitales -> Articule de introducción en medio utilizando el conjunto de datos de Kaggle Massachusetts Roads

• Píxeles de etiqueta -> para la segmentación semántica de carreteras y otras características

• Satellite-Image-Road-Extracción-> Extracción de carreteras por NET residual profunda

• ROAD_BUILDING_EXTRACTION -> Implementación de Pytorch de la arquitectura U -Net para la extracción de carreteras y edificios

• RCFSNET -> Extracción de carreteras de imágenes satelitales por contexto de carretera y características de etapa completa

• SGCN-> Red de convolución gráfica separable de profundidad dividida para extracción de carretera en entornos complejos de imágenes de detección remota de alta resolución

• ASPN -> Segmentación de carretera para imágenes de teledetección utilizando redes pirámides espaciales adversas

• FCNS-FOR-ROAD-EXTRACTION-KINAS-> Extracción de la carretera de imágenes de detección remota de alta resolución basadas en varias redes de segmentación semántica

• Cresi -> Extracción de la red de carreteras de imágenes satelitales, con estimaciones de tiempo de velocidad y viaje

• D -Linknet -> Linknet con codificador previamente y convolución dilatada para la extracción de carreteras de imágenes satelitales de alta resolución

• SAT2GRAPH -> Extracción de gráficos de carretera a través de la codificación del tensor de gráficos

• Segmentación de imagen) -> Uso de Massachusetts Road DataSet y Fast.ai

• Roadtracer -M -> Extracción de la red de carreteras de imágenes satelitales utilizando segmentación y rastreo basados ​​en CNN

• Scroadextractor -> Learning profundo débilmente supervisado basado en garabatos para la extracción de la superficie de la carretera a partir de imágenes de teledetección

• ROADDA -> Adaptación de dominio sin supervisión de Stagewise con autodenvenimiento adversario para la segmentación de la carretera de imágenes de teledetección

• Deepsegmentor -> Una implementación de Pytorch de Projects DeepCrack y Roadnet

• Extracción de carretera mejorada en cascada de atención a las imágenes de teledetección

• NL-Linknet-> hacia una extracción de carretera más ligera pero más precisa con operaciones no locales

• IRSR -NET -> Red de detección de carreteras de detección remota ligera

• Hironex -> Una herramienta Python para extracción automática y totalmente sin supervisión de redes históricas de mapas históricos

• Road_detection_model -> Mapeo de carreteras en la Amazonía brasileña con inteligencia artificial y Sentinel -2

• DTNET-> Detección de carreteras a través de una red de doble tarea basada en módulos de fusión de gráficos en capas cruzadas

• Tecniques de la extracción automática-road-extracción-de-mapas-mapas-using-de-learniques-> extracción automática de la carretera de mapas históricos utilizando técnicas de aprendizaje profundo

• Istanbul_dataset -> segmentación en los conjuntos de datos de Estambul, Inria y Massachusetts

• Segmentación de carretera-> segmentación de carreteras en imágenes satelitales utilizando CNN (Nets y FCN8) y regresión logística

• D -Linknet -> Solución de 1er lugar en DeepGlobe Road Extraction Challenge

• Park-Detect-> Park Detect: hacia una eficiente extracción de carreteras de imágenes satelitales de varias tareas a través de la detección de puntos clave de parche

• Tile2net -> Mapeo de la caminata: un enfoque de visión por computadora escalable para generar conjuntos de datos de red de aceras a partir de imágenes aéreas

• Aeriallanenet-> Construyendo mapas de nivel de carril a partir de imágenes aéreas, presenta el conjunto de datos del carril aéreo (AEL): un primer conjunto de datos de imágenes aéreas a gran escala construido para la detección de carril

• SAM_ROAD -> Segmento cualquier modelo (SAM) para la extracción de red de carreteras vectorizada a gran escala de imágenes aéreas.

• LRDNET -> Un algoritmo liviano de detección de carreteras basado en una red de atención convolucional multiescala y cabeza de decodificador acoplado

• Extracción de grano fino de las redes de carreteras a través del aprendizaje conjunto de conectividad y segmentación -> utiliza Spacenet 3 DataSet

Segmentación: edificios y tejados

• Carretera y construcción de segmentación semántica en imágenes satelitales utiliza U-Net en el conjunto de datos y keras de Massachusetts Roads

• Encuentre construcciones no autorizadas utilizando fotografía aérea -> Creación del conjunto de datos

• Srbuildseg-> Hacer imágenes satelitales de baja resolución renacido: un enfoque de aprendizaje profundo para la extracción de construcción de super resolución

• Construir la detección de huellas con Fastai en el desafiante conjunto de datos Spacenet7 utiliza U-Net y Fastai

• PIX2PIX-FOR-SEMÁSTICO-Segmentación de Imperios de Satélite-> Uso de PIX2PIX GaN Network para segmentar la huella del edificio de las imágenes satelitales, utiliza TensorFlow

• Spacenetunet -> El modelo de línea de base es similar a la red, aplicada a los datos de Spacenet Vegas, utilizando keras

• Detección de construcción automatizada-> Entrada: imágenes satelital RGB de resolución muy alta (<= 0.5 m/píxel). Salida: edificios en formato vectorial (GeoJson), que se utilizarán en productos de mapa digital. Construido sobre Robosat y Robosat.pink.

• Project_sunroof_india -> Analizó las imágenes satelitales de Google para generar un informe sobre el potencial de energía solar de la azotea individual, utiliza una gama de técnicas clásicas de visión por computadora (por ejemplo, detección de bordes astutos) para segmentar los techos

• Junta-Common-neural-network-para-carretera y construcción-extracción

• Mapeo de los edificios de África con imágenes satelitales: Google AI Blog Public. Vea el conjunto de datos de construcción abierta

• nz_convnet -> un convet basado en la red para las imágenes de Nueva Zelanda para clasificar los contornos del edificio

• Polycnn-> Aprendizaje de extremo a extremo de polígonos para la clasificación de imágenes de teledetección

• Spacenet_building_detection Solución de Motokimura usando untés

• VEC2Instance -> Aplicado al Spacenet Challenge AOI 2 (Vegas) Construyendo el conjunto de datos de huella, TensorFlow V1.12

• TerremorseDaMeDetection -> Segmentación de edificios a partir de imágenes satélite y clasificación de daños para cada construcción, utilizando keras

• Repo de segmentación semántica de Fuweifu-Vtoo-> usa Pytorch y los conjuntos de datos de edificios y carreteras de Massachusetts

• Extracción de edificios y carreteras de los datos abiertos de AWS usando Amazon Sagemaker -> con repositorio

• TF -segnet -> Airnet es una red de segmentación basada en Segnet, pero con algunas modificaciones

• RGB-FootPrint-Extract-> Una red de segmentación semántica para la extracción de huella de edificios de escala urbana utilizando imágenes satelitales RGB, módulo DeepLavv3+ con una red troncal de resnet C42 dilatado

• SpacenetExploration -> Un proyecto de muestra que demuestra cómo extraer las huellas de construcción de imágenes satelitales utilizando un modelo de segmentación semántica. Datos del desafío Spacenet

• Segmentación de instancia de la azotea-> VGG-16, segmentación de instancias, utiliza el conjunto de datos Airs

• Mapeo de autoleses solares-> Un conjunto de datos de inteligencia artificial para ubicaciones de energía solar en India

• aves de corral-> Este repositorio contiene código para detectar graneros de aves de corral de imágenes aéreas de alta resolución y un conjunto de datos acompañante de graneros predichos sobre Estados Unidos

• Ssai -CNN -> Esta es una implementación de los métodos de disertación de Volodymyr Mnih en su conjunto de datos de Massachusetts Road & Building

• Santificación remota-construcción-extracción a-3D-model-using-patle-y-Grasshopper

• Segmentación-Resuneta mejorada-> Extracción de edificios urbanos en la región de Daejeon utilizando la red en U residual modificada (resuneta modificada) y aplicando postprocesamiento

• Máscara RCNN para Spacenet Off Nadir Building Detection

• GRSL_BFE_MA -> Extracción de huella de edificios basados ​​en el aprendizaje profundo con anotaciones faltantes utilizando una función de pérdida novedosa

• FER -CNN -> Detección, clasificación y regularización de límites de edificios en imágenes satelitales utilizando redes neuronales convolucionales de región de borde más rápido

• Unet-Image-segmation-satellite-Picture-> unnet para predecir los techos de los techos en el conjunto de datos de mapeo de IA en exceso, utiliza keras

• Vector-map-generación-desde-aerial

• Building-FootPrint-Segmation-> PIP Biblioteca instalable para entrenar segmentación de huella de edificios en imágenes satelitales e aéreas, aplicadas al conjunto de datos de datos de edificios de Massachusetts e INRIA Ayerial Teleting DataSet

• SemsegBuildings -> Proyecto utilizando el marco Fast.AI para la segmentación semántica en el conjunto de datos de segmentación de edificios de INRIA

• FCNN -EXample -> Overso a una imagen única dada para detectar casas

• SAT2LOD2-> Un software de origen abierto, basado en la GUI, con sede en Python, que toma las imágenes satelitales como entradas y devuelve modelos de construcción LOD2 como salidas

• Satfootprint -> segmentación de edificios en el conjunto de datos Spacenet 7

• Detección de edificios -> Experimento de visión de trama para entrenar un modelo para detectar edificios de imágenes satelitales en tres ciudades de América Latina

• Tracker de múltiples construcciones-> rastreador de construcción multi-objetivo para imágenes satelitales utilizando aprendizaje profundo

• Segmentación semántica de mejora límite para la extracción de edificios

• Código Keras para segmentación semántica binaria

• Detección de la construcción del espacio

• LGPNET-BCD-> Detección de cambio de edificio para imágenes de detección remota VHR a través de la red de pirámide global local y la estrategia de aprendizaje de transferencia de tarea cruzada

• MTL_HOMOSCEDAStic_SRB -> Un marco de aprendizaje profundo de tareas múltiples para construir segmentación de huella

• UNET_CNN -> Modelo de unlo para segmentar la cobertura de la construcción en Boston utilizando datos de detección remota, utiliza keras

• FDANET-> Adaptación de dominio de nivel completo para la extracción de edificios en imágenes ópticas de detección remota de muy alta resolución

• CBRNET-> Una red de refinamiento de límite grueso a fino para la extracción de construcción de imágenes de teledetección

• ASLNET -> Aprendizaje de forma adversa para la extracción de construcción en imágenes de detección remota VHR

• BRRNET -> Una red neuronal totalmente convolucional para la extracción automática de edificios a partir de imágenes de detección remota de alta resolución

• Índice de construcción de filtros múltiples-> un índice de edificio de filtrado de escala múltiple para la extracción de edificios en imágenes satelitales de muy alta resolución

• Modelos para la teledetección -> Larga lista de unes, etc. aplicados a la detección de edificios

• Boundary_loss_for_remote_sensing -> Pérdida de límites para la segmentación semántica de imágenes de teledetección

• Open Cities AI Challenge -> segmentación de edificios para la resiliencia de desastres. Soluciones ganadoras en Github

• Mapnet -> Red neural de ruta múltiple para la extracción de huella de la creación de imágenes de detección remota

• dual -hrnet -> localizar edificios y clasificar su nivel de daño

• ESFNET -> Red eficiente para la extracción de construcción de imágenes aéreas de alta resolución

• Rooftop-Detection-Python-> Detectar tejados de imágenes satelitales de baja resolución y calcular el área para el cultivo y la entrega de paneles solares utilizando técnicas clásicas de visión por computadora

• keras_segmation_models -> Uso de datos espaciales basados ​​en vectores abiertos para crear conjuntos de datos semánticos para la segmentación de la creación de datos ráster

• CVCMFFNET -> Red de fusión convolucional y multifiacre de valor complejo para construir la segmentación semántica de imágenes Insar

• Steb-Unet-> Un refuerzo de codificación basado en transformador de lanza integrado en la red en forma de U para la extracción de edificios

• DFC2020_Baseline-> Solución de línea de base para el concurso IEEE GRSS Data Fusion 2020. Predecir las etiquetas de la portada de la tierra de las imágenes Sentinel-1 y Sentinel-2

• Fusionando modelos de segmentación múltiple basados ​​en diferentes conjuntos de datos en un solo modelo de depósito de borde -> segmentación de techo, automóvil y carretera

• SEMBRE-TRUTH-GAN-segmation-> Use PIX2PIX para segmentar la huella de un edificio. El conjunto de datos utilizado es airs

• UNICEF -GIGA_SUDAN -> Detección de lotes escolares de imágenes satelitales en el sur de Sudán utilizando un modelo de segmentación de unlo

• edificio_footprint_extraction -> El proyecto recupera las imágenes satelitales de Google y realiza la construcción de la extracción de huella utilizando una red U.

• Projectregularización -> Regularización de los límites del edificio en imágenes satelitales que utilizan pérdidas congresivas y regularizadas

• PolyWorldPrainedNetwork -> Extracción de edificios poligonales con redes neuronales gráficas en imágenes satelitales

• dl_image_segmentation -> Incertidumbre consciente de aprendizaje profundo interpretable para mapeo y monitoreo de barrios marginales. Usa shap

• UBC-Dataset-> Un conjunto de datos para la detección y clasificación de edificios de imágenes satelitales de muy alta resolución con el enfoque en la interpretación a nivel de objeto de edificios individuales

• Unetformer -> Un transformador de unlo para la segmentación semántica eficiente de imágenes de la escena urbana de teledetección

• Bes-Net-> Red de contexto semántico para mejorar la segmentación semántica de imagen de alta resolución. Aplicado a los conjuntos de datos Vaihingen y Potsdam

• CVNET -> Red de vibración de contorno para la extracción de edificios

• CFENET -> Una red de mejora de características de contexto para construir la extracción de imágenes de teledetección de alta resolución

• HISUP -> Mapeo poligonal preciso de edificios en imágenes satelitales

• Edificio EXTRACTION -> Edificio extracción de imágenes de teledetección con transformadores de token escasos

• Crossgeonet -> Un marco para construir la generación de huellas de regiones geográficas de escasez de etiquetas

• AFM_Building -> Building Footprint Generation a través de redes neuronales convolucionales con representación de campo de atracción

• RAMP (IA replicable para microplaning) -> Detección de edificios en países de ingresos bajos y medios

• Segmentación de la instancia del edificio-> Red de fusión de características multimodal con detector de puntos centrales adaptativos para la extracción de instancias de construcción

• CGSANET-> Una red de codificador-decodificador de estructura local guiada por contorno y consciente

• edificio-footprints-update-> Distribuciones de color de aprendizaje de imágenes de detección remota bitemporal para actualizar las huellas de edificios existentes

• RAMP -> conjunto de datos de modelos y edificios para admitir una amplia variedad de casos de uso humanitario

• Tesis_semantic_image_segmentation_on_satellite_imagery_using_unets -> Esta tesis maestra tiene como objetivo realizar la segmentación semántica de edificios en imágenes satelitales del conjunto de datos Spacenet Challenge 1 usando la arquitectura U -Net

• HD-NET-> Red desacoplada de alta resolución para construir una extracción de huella a través de la descomposición de cuerpo y límites profundamente supervisado

• REACTSENSE -> Una nueva solución de aprendizaje profundo para la clasificación automática de material de techado de la stock de edificios holandeses utilizando imágenes aéreas y fusión de datos de escaneo láser

• IBS-AQSNET-> Red de evaluación de calidad automatizada mejorada para la segmentación de edificios interactivos en imágenes de teledetección de alta resolución

• Deepmao -> Red excesiva con consciente de mayor escala múltiple para la segmentación de la construcción en imágenes satelitales

Segmentación: paneles solares

• Reconocimiento profundo-aprendizaje para panel-panel-> Uso de ambos objetos de detección con yolov5 y segmentación de unlo

• DeepSolar -> Un marco de aprendizaje automático para construir eficientemente una base de datos de implementación solar en los Estados Unidos. El conjunto de datos en Kaggle, en realidad, se usa un CNN para la clasificación y la segmentación aplicando un umbral al mapa de activación. El código original es TF1 pero TF2/KERS y una implementación de Pytorch están disponibles. También visualizaciones de visualización y análisis en profundidad. De los factores que pueden explicar la adopción de la energía solar en .. Virginia y Deepsolar Tracker: Hacia una evaluación no supervisada con datos de código abierto de la precisión del mapeo PV distribuido basado en el aprendizaje profundo

• Hyperion_solar_net -> Modelos entrenados de clasificación y segmentación en imágenes RGB de Google Maps

• 3D-PV-Locator-> Detección a gran escala de sistemas fotovoltaicos montados en la azotea en 3D

• Pv_Pipeline -> Deepsolar para Alemania

• Detección de paneles solares-> usando SGNET, F