techniques
General tidy up
Pembelajaran mendalam telah merevolusi analisis dan interpretasi citra satelit dan udara, mengatasi tantangan unik seperti ukuran gambar yang besar dan beragam kelas objek. Repositori ini memberikan gambaran menyeluruh tentang teknik pembelajaran mendalam yang dirancang khusus untuk pemrosesan citra satelit dan udara. Ini mencakup berbagai arsitektur, model, dan algoritma yang cocok untuk tugas-tugas utama seperti klasifikasi, segmentasi, dan deteksi objek.
Cara menggunakan repositori ini: gunakan Command + F (Mac) atau CTRL + F (Windows) untuk mencari halaman ini misalnya 'SAM'
Kumpulan data UC merced adalah kumpulan data klasifikasi yang terkenal.
Klasifikasi merupakan tugas mendasar dalam analisis data penginderaan jauh, yang tujuannya adalah untuk memberikan label semantik pada setiap citra, seperti 'perkotaan', 'hutan', 'lahan pertanian', dll. Proses pemberian label pada suatu citra adalah dikenal sebagai klasifikasi tingkat gambar. Namun, dalam beberapa kasus, satu gambar mungkin berisi beberapa tipe tutupan lahan yang berbeda, seperti hutan dengan sungai yang melewatinya, atau kota dengan kawasan pemukiman dan komersial. Dalam kasus ini, klasifikasi tingkat gambar menjadi lebih kompleks dan melibatkan pemberian banyak label pada satu gambar. Hal ini dapat dicapai dengan menggunakan kombinasi ekstraksi fitur dan algoritma pembelajaran mesin untuk mengidentifikasi berbagai jenis tutupan lahan secara akurat. Penting untuk diperhatikan bahwa klasifikasi tingkat gambar tidak sama dengan klasifikasi tingkat piksel, yang juga dikenal sebagai segmentasi semantik. Meskipun klasifikasi tingkat gambar memberikan satu label pada keseluruhan gambar, segmentasi semantik memberikan label pada masing-masing piksel dalam suatu gambar, sehingga menghasilkan representasi jenis tutupan lahan dalam suatu gambar yang sangat detail dan akurat. Baca Pengantar singkat tentang klasifikasi citra satelit dengan jaringan saraf
Klasifikasi lahan pada data Sentinel 2 menggunakan algoritma sklearn cluster sederhana atau deep learning CNN
Klasifikasi Multi-Label Foto Satelit Hutan Hujan Amazon menggunakan keras atau FastAI
EuroSat-Satellite-CNN-and-ResNet -> Mengklasifikasikan kumpulan data gambar khusus dengan membuat Jaringan Neural Konvolusional dan Jaringan Residu dari awal dengan PyTorch
Mendeteksi Permukiman Informal dari Citra Satelit menggunakan penyempurnaan pengklasifikasi ResNet-50 dengan repo
Klasifikasi-Tutupan-Lahan-menggunakan-Sentinel-2-Dataset -> Artikel Medium yang ditulis dengan baik menyertai repo ini tetapi menggunakan dataset EuroSAT
Klasifikasi Tutupan Lahan dari Citra Satelit menggunakan Jaringan Syaraf Konvolusional menggunakan Keras dan kumpulan data multispektral yang diambil dari ladang anggur di Salinas Valley, California
Mendeteksi deforestasi dari citra satelit -> menggunakan FastAI dan ResNet50, dengan repo fsdl_deforestation_detection
Jaringan Neural untuk Klasifikasi Data Satelit Menggunakan Tensorflow dengan Python -> Panduan langkah demi langkah untuk klasifikasi data multispektral Landsat 5 untuk prediksi kelas biner bawaan/tidak terpasang, dengan repo
Pemetaan kawasan kumuh dari jaringan CNN yang telah dilatih sebelumnya pada citra VHR (Pleiades: 0,5m) dan MR (Sentinel: 10m)
Membandingkan lingkungan perkotaan menggunakan citra satelit dan jaringan saraf konvolusional -> mencakup studi menarik tentang fitur penyematan gambar yang diekstraksi untuk setiap gambar pada kumpulan data Urban Atlas
RSI-CB -> Tolok Ukur Klasifikasi Gambar Penginderaan Jauh Skala Besar melalui Data Crowdsource. Lihat juga Klasifikasi gambar penginderaan jauh
NAIP_PoolDetection -> dimodelkan sebagai masalah pengenalan objek, CNN digunakan untuk mengidentifikasi gambar sebagai kolam renang atau sesuatu yang lain - khususnya jalan, atap, atau halaman rumput
Klasifikasi Penggunaan Lahan dan Tutupan Lahan menggunakan Arsitektur Pembelajaran Mendalam ResNet -> menggunakan fastai dan kumpulan data EuroSAT
Kasus Penggunaan Vision Transformers: Klasifikasi Citra Satelit tanpa CNN
WaterNet -> CNN yang mengidentifikasi air dalam citra satelit
Klasifikasi Jaringan Jalan -> Model klasifikasi jaringan jalan menggunakan ResNet-34, kelas jalan organik, lapangan hijau, radial dan tanpa pola
Meningkatkan AI untuk memetakan setiap sekolah di planet ini
Tutorial CNN klasifikasi Landsat dengan repo
klasifikasi penyeberangan satelit
Memahami Hutan Hujan Amazon dengan Klasifikasi Multi-Label + VGG-19, Inceptionv3, AlexNet & Pembelajaran Transfer
Implementasi model 3D-CNN untuk klasifikasi tutupan lahan -> menggunakan dataset Sundarbans, dengan repo
SSTN -> Jaringan Transformator Spektral-Spasial untuk Klasifikasi Gambar Hiperspektral: Kerangka FAS
SatellitePollutionCNN -> Algoritme baru untuk memprediksi tingkat polusi udara dengan akurasi canggih menggunakan pembelajaran mendalam dan citra satelit GoogleMaps
Klasifikasi Properti -> Mengklasifikasikan jenis properti berdasarkan Gambar Real Estat, Satelit, dan Tampilan Jalan
remote-sense-quickstart -> klasifikasi pada sejumlah dataset, termasuk dengan visualisasi perhatian
Klasifikasi citra satelit menggunakan beberapa algoritma pembelajaran mesin
satsense -> klasifikasi penggunaan/tutupan lahan menggunakan fitur klasik termasuk HoG & NDVI
PyTorch_UCMerced_LandUse
Klasifikasi gambar EuroSAT
landcover_classification -> menggunakan fast.ai di EuroSAT
IGARSS2020_BWMS -> Arsitektur CNN Multi-Skala Band-Wise untuk Klasifikasi Pemandangan Gambar Penginderaan Jauh dengan arsitektur CNN baru untuk penyematan fitur gambar RS berdimensi tinggi
image.classification.on.EuroSAT -> solusi dalam pytorch murni
kerusakan_badai -> Penilaian kerusakan struktur pasca-badai berdasarkan citra udara
openai-drivendata-challenge -> Menggunakan pembelajaran mendalam untuk mengklasifikasikan bahan bangunan atap (citra udara dari Amerika Selatan)
apakah-itu-ditinggalkan -> Bisakah kita mengetahui apakah sebuah rumah ditinggalkan berdasarkan citra LIDAR dari udara?
BoulderAreaDetector -> CNN untuk mengklasifikasikan apakah citra satelit menunjukkan suatu area akan menjadi tempat panjat tebing yang bagus atau tidak
ISPRS_S2FL -> Kumpulan Data Tolok Ukur Penginderaan Jauh Multimodal untuk Klasifikasi Tutupan Lahan dengan Model Pembelajaran Fitur Bersama dan Spesifik
Deteksi Kopi Brasil -> menggunakan Keras dengan kumpulan data publik
tf-crash-severity -> memprediksi tingkat keparahan kecelakaan untuk fitur jalan tertentu yang terdapat dalam citra satelit
ensemble_LCLU -> Ansambel jaringan saraf dalam untuk penginderaan jauh tutupan lahan dan klasifikasi penggunaan lahan
cerraNet -> mengklasifikasikan secara kontekstual jenis penggunaan dan cakupan di Cerrado Brasil
Urban-Analysis-Using-Satellite-Imagery -> mengklasifikasikan kawasan perkotaan sebagai terencana atau tidak terencana menggunakan kombinasi segmentasi dan klasifikasi
ChipClassification -> Pembelajaran mendalam untuk klasifikasi multi-modal pemandangan awan, bayangan, dan tutupan lahan dalam citra PlanetScope dan Sentinel-2
DeeplearningClassficationLandsat-tImages -> Klasifikasi Air/Es/Tanah Menggunakan Citra Satelit Landsat Resolusi Menengah Skala Besar
deteksi-api-dari-satelit-gambar-ml -> deteksi apakah suatu gambar mengandung api, dengan contoh aplikasi web labu
mining-discovery-with-deep-learning -> Deteksi Bendungan Penambangan dan Tailing pada Citra Satelit Menggunakan Deep Learning
e-Farmerce-platform -> mengklasifikasikan jenis tanaman
sentinel2-deep-learning -> Metodologi Pelatihan Baru untuk Klasifikasi Tanah Citra Sentinel-2
RSSC-transfer -> Peran Pra-Pelatihan dalam Klasifikasi Pemandangan Penginderaan Jauh Resolusi Tinggi
Mengklasifikasikan Foto Geo-Referensi dan Gambar Satelit untuk Klasifikasi Medan Pendukung -> mendeteksi banjir
Bayar Lebih Banyak Perhatian -> Klasifikasi Pemandangan Gambar Penginderaan Jauh Berdasarkan Modul Perhatian yang Ditingkatkan
Klasifikasi Citra Penginderaan Jauh melalui Peningkatan Strategi Pembelajaran Transfer dan Kehilangan Entropi Silang Berbasis Jaringan Neural Konvolusional Dalam
DenseNet40-for-HRRSISC -> DenseNet40 untuk klasifikasi pemandangan gambar penginderaan jauh, menggunakan UC Merced Dataset
SKAL -> Melihat Lebih Dekat Pemandangan: Pembelajaran Representasi Multiskala untuk Klasifikasi Pemandangan Citra Penginderaan Jauh
potsdam-tensorflow-practice -> klasifikasi gambar kumpulan data Potsdam menggunakan tensorflow
SAFF -> Penggabungan Fitur Mendalam Berbasis Perhatian Diri untuk Klasifikasi Pemandangan Penginderaan Jauh
GLNET -> Klasifikasi Pemandangan Penginderaan Jauh Berbasis Jaringan Neural Konvolusional dalam Lingkungan Cerah dan Berawan
Klasifikasi gambar penginderaan jauh -> transfer pembelajaran menggunakan pytorch untuk mengklasifikasikan data penginderaan jauh ke dalam tiga kelas: pesawat terbang, kapal laut, tidak ada
remote_sensing_pretrained_models -> sebagai alternatif untuk menyempurnakan model yang telah dilatih sebelumnya di ImageNet, di sini beberapa CNN dilatih sebelumnya pada kumpulan data RSD46-WHU & AID
CNN_AircraftDetection -> CNN untuk deteksi pesawat pada citra satelit menggunakan keras
OBIC-GCN -> Kerangka Klasifikasi Berbasis Objek Gambar Penginderaan Jauh dengan Jaringan Konvolusional Grafik
aitlas-arena -> Kerangka kerja benchmark sumber terbuka untuk mengevaluasi pendekatan pembelajaran mendalam yang canggih untuk klasifikasi gambar di Earth Observation (EO)
pengamatan kekeringan -> Prediksi Kondisi Makanan Ternak Berbasis Satelit di Kenya Utara
JSTARS_2020_DPN-HRA -> Jaringan Prototipikal Dalam Dengan Perhatian Sisa Hibrid untuk Klasifikasi Gambar Hiperspektral
SIGNA -> Perhatian Saluran Global Interleaving Semantik untuk Klasifikasi Gambar Penginderaan Jauh Multilabel
Klasifikasi Citra Satelit menggunakan data rmldnn dan Sentinel 2
PBDL -> Pembelajaran Diskriminatif Berbasis Patch untuk Klasifikasi Pemandangan Penginderaan Jauh
EmergencyNet -> mengidentifikasi kebakaran dan keadaan darurat lainnya dari drone
deforestasi satelit -> Menggunakan Citra Satelit untuk Mengidentifikasi Indikator Utama Deforestasi, diterapkan pada Tantangan Kaggle Memahami Amazon dari Luar Angkasa
RSMLC -> Arsitektur Jaringan Dalam sebagai Ekstraktor Fitur untuk Klasifikasi Multi-Label pada Gambar Penginderaan Jauh
FireRisk -> Kumpulan Data Penginderaan Jauh untuk Penilaian Risiko Kebakaran dengan Tolok Ukur Menggunakan Pembelajaran yang Diawasi dan Diawasi Sendiri
Flood_susceptibility_mapping -> Menuju pemetaan kerentanan banjir perkotaan menggunakan model berbasis data di Berlin, Jerman
tick-tick-bloom -> Pemenang Tick Tick Bloom: Tantangan Deteksi Pertumbuhan Alga yang Berbahaya. Tugasnya adalah memprediksi tingkat keparahan pertumbuhan alga, pemenangnya menggunakan pohon keputusan
Memperkirakan pengoperasian pembangkit listrik tenaga batubara dari citra satelit dengan visi komputer -> gunakan data Sentinel 2 untuk mengidentifikasi apakah pembangkit listrik tenaga batubara aktif atau nonaktif, dengan kumpulan data dan repo
Deteksi-bangunan-dan-pengenalan tipe atap -> Pendekatan Berbasis CNN untuk Deteksi Bangunan Otomatis dan Pengenalan Tipe Atap Menggunakan Gambar Udara Tunggal
Perbandingan Kinerja Saluran Multispektral untuk Klasifikasi Penggunaan Lahan -> Menerapkan ResNet-50, ResNet-101, ResNet-152, Vision Transformer pada RGB dan kumpulan data EuroSAT versi multispektral.
SNN4Space -> proyek yang menyelidiki kelayakan penerapan jaringan saraf spiking (SNN) dalam tugas klasifikasi tutupan lahan dan penggunaan lahan
klasifikasi kapal -> mengklasifikasikan kapal dan mengidentifikasi perilaku penangkapan ikan berdasarkan data AIS
RSMamba -> Klasifikasi Citra Penginderaan Jauh dengan Model State Space
BirdSAT -> Autoencoder Bertopeng Kontras Tampilan Silang untuk Klasifikasi dan Pemetaan Spesies Burung
EGNNA_WND -> Memperkirakan keberadaan Penyakit West Nile menggunakan jaringan Graph Neural
cyfi -> Perkirakan kepadatan cyanobacteria berdasarkan citra satelit Sentinel-2
(kiri) citra satelit dan (kanan) kelas semantik pada citra.
Segmentasi gambar adalah langkah penting dalam analisis gambar dan visi komputer, dengan tujuan membagi gambar menjadi segmen atau wilayah yang bermakna secara semantik. Proses segmentasi gambar memberikan label kelas pada setiap piksel dalam gambar, yang secara efektif mengubah gambar dari kisi piksel 2D menjadi kisi piksel 2D dengan label kelas yang ditetapkan. Salah satu penerapan umum dari segmentasi citra adalah segmentasi jalan atau bangunan, yang tujuannya adalah untuk mengidentifikasi dan memisahkan jalan dan bangunan dari fitur lain dalam suatu citra. Untuk menyelesaikan tugas ini, model kelas tunggal sering kali dilatih untuk membedakan antara jalan dan latar belakang, atau bangunan dan latar belakang. Model ini dirancang untuk mengenali fitur spesifik, seperti warna, tekstur, dan bentuk, yang merupakan karakteristik jalan atau bangunan, dan menggunakan informasi ini untuk menetapkan label kelas pada piksel dalam suatu gambar. Penerapan umum lainnya dari segmentasi citra adalah klasifikasi penggunaan lahan atau jenis tanaman, yang tujuannya adalah untuk mengidentifikasi dan memetakan berbagai jenis tutupan lahan dalam suatu citra. Dalam hal ini, model kelas jamak biasanya digunakan untuk mengenali dan membedakan beberapa kelas dalam suatu gambar, seperti hutan, kawasan perkotaan, dan lahan pertanian. Model-model ini mampu mengenali hubungan kompleks antara tipe tutupan lahan yang berbeda, sehingga memungkinkan pemahaman konten gambar yang lebih komprehensif. Baca Pengantar singkat tentang segmentasi citra satelit dengan jaringan saraf. Perhatikan bahwa banyak artikel yang mengacu pada 'klasifikasi lahan hiperspektral' seringkali sebenarnya menggambarkan segmentasi semantik. Sumber gambar
U-Net untuk Segmentasi Semantik pada Citra Udara Tidak Seimbang -> menggunakan dataset Dubai
Segmentasi Semantik kumpulan data Dubai Menggunakan Model TensorFlow U-Net
nga-deep-learning -> melakukan segmentasi semantik pada data GeoTIF hasil tinggi menggunakan U-Net & Keras yang dimodifikasi, diterbitkan oleh peneliti NASA
Deteksi Otomatis TPA Menggunakan Pembelajaran Mendalam
SpectralNET -> wavelet 2D CNN untuk Klasifikasi Gambar Hyperspectral, menggunakan dataset Salinas Scene & Keras
laika -> Tujuan dari repo ini adalah untuk meneliti sumber data citra satelit yang potensial dan mengimplementasikan berbagai algoritma untuk segmentasi citra satelit
PEARL -> alat AI yang dapat digunakan oleh manusia untuk secara drastis mengurangi waktu yang diperlukan untuk menghasilkan peta Penggunaan Lahan/Tutup Lahan (LULC) yang akurat, postingan blog, menggunakan Microsoft Planetary Computer dan model ML yang dijalankan secara lokal di browser. Kode untuk backelnd dan frontend
Klasifikasi Tutupan Lahan dengan U-Net -> Tugas Segmentasi Semantik Multi-Kelas Citra Satelit dengan Implementasi PyTorch U-Net, menggunakan dataset Segmentasi Tutupan Lahan DeepGlobe, dengan kode
Segmentasi semantik multikelas citra satelit menggunakan U-Net menggunakan dataset DSTL, tensorflow 1 & python 2.7. Artikel pendamping
Basis kode untuk klasifikasi tutupan lahan multi kelas dengan U-Net yang menyertai tesis master, menggunakan Keras
segmentasi citra-satelit-dubai -> karena kumpulan datanya kecil, augmentasi gambar digunakan
Segmentasi CDL -> Klasifikasi Tutupan Lahan dan Jenis Tanaman Berbasis Pembelajaran Mendalam: Studi Banding. Membandingkan UNet, SegNet & DeepLabv3+
LoveDA -> Kumpulan Data Tutupan Lahan Penginderaan Jauh untuk Segmentasi Semantik Adaptif Domain
Segmentasi Semantik Citra Satelit dengan CNN -> 7 kelas segmentasi berbeda, kumpulan data Tantangan Klasifikasi Tutupan Lahan DeepGlobe, dengan repo
Segmentasi Semantik Aerial menggunakan media artikel U-Net Deep Learning Model, dengan repo
UNet-Satellite-Image-Segmentation -> Implementasi Tensorflow dari kerangka segmentasi semantik UNet yang ringan
Solusi Tantangan Klasifikasi Tutupan Lahan DeepGlobe
Segmentasi-semantik-dengan-PyTorch-Satellite-Imagery -> memprediksi 25 kelas pada citra RGB yang diambil untuk menilai kerusakan setelah Badai Harvey
Segmentasi Semantik Dengan Citra Sentinel-2 -> menggunakan dataset LandCoverNet dan fast.ai
CNN_Enhanced_GCN -> Jaringan Konvolusional Grafik yang Disempurnakan CNN Dengan Penggabungan Fitur Tingkat Piksel dan Superpiksel untuk Klasifikasi Gambar Hiperspektral
Metode LULCMapping-WV3images-CORINE-DL -> Pemetaan Penggunaan Lahan dan Tutupan Lahan Menggunakan Pendekatan Segmentasi Berbasis Pembelajaran Mendalam dan Gambar VHR Worldview-3
MCANet -> Kerangka segmentasi semantik gabungan gambar optik dan SAR untuk klasifikasi penggunaan lahan. Menggunakan kumpulan data WHU-OPT-SAR
MUnet-LUC
tutupan lahan -> Generalisasi Model dalam Aplikasi Pembelajaran Mendalam untuk Pemetaan Tutupan Lahan
generalizablersc -> Pembelajaran Lintas Dataset untuk Klasifikasi Pemandangan Penggunaan Lahan yang Dapat Digeneralisasikan
Identifikasi-Otomatis-Skala-besar-Tanah-Kosong-Perkotaan -> Identifikasi otomatis skala besar atas lahan kosong perkotaan menggunakan segmentasi semantik citra penginderaan jauh beresolusi tinggi
SSLTransformerRS -> Vision Transformers yang diawasi sendiri untuk Segmentasi dan Klasifikasi Tutupan Lahan
segmentasi ubin udara -> Segmentasi semantik citra satelit besar menjadi 6 kelas menggunakan kumpulan data benchmark Tensorflow 2.0 dan ISPRS
Metode LULCMapping-WV3images-CORINE-DL -> Pemetaan Penggunaan Lahan dan Tutupan Lahan Menggunakan Pendekatan Segmentasi Berbasis Pembelajaran Mendalam dan Gambar VHR Worldview-3
DCSA-Net -> Jaringan Perhatian Diri Konvolusi Dinamis untuk Klasifikasi Tutupan Lahan dalam Citra Penginderaan Jauh VHR
CHeGCN-CNN_enhanced_Heterogeneous_Graph -> CNN-Enhanced Heterogeneous Graph Convolutional Network: Menyimpulkan Penggunaan Lahan dari Tutupan Lahan dengan Studi Kasus Segmentasi Taman
TCSVT_2022_DGSSC -> DGSSC: Pengklasifikasi Spektral-Spasial Generatif Mendalam untuk Citra Hiperspektral yang Tidak Seimbang
DeepForest-Wetland-Paper -> Pengklasifikasi Deep Forest untuk pemetaan lahan basah menggunakan kombinasi data Sentinel-1 dan Sentinel-2, GIScience & Penginderaan Jauh
Wetland_UNet -> Model UNet yang dapat menggambarkan lahan basah menggunakan input data penginderaan jauh termasuk pita dari Sentinel-2 LiDAR dan geomorfon. Oleh Pusat Inovasi Konservasi Chesapeake Conservancy dan Pembela Satwa Liar
DPA -> DPA adalah metode adaptasi domain tanpa pengawasan (UDA) yang diterapkan pada berbagai citra satelit untuk pemetaan tutupan lahan skala besar.
dunia dinamis -> Dunia Dinamis, Pemetaan tutupan lahan penggunaan lahan global sepanjang 10 m hampir secara real-time
spada -> Segmentasi Tutupan Lahan dengan Anotasi Jarang dari Citra Sentinel-2
M3SPADA -> Adaptasi Domain Tanpa Pengawasan Multi-Sensor Temporal untuk Pemetaan Tutupan Lahan dengan pelabelan semu spasial dan pembelajaran adversarial
GLNet -> Jaringan Global-Lokal Kolaboratif untuk Segmentasi Gambar Resolusi Ultra-Tinggi yang Efisien Memori
LoveNAS -> LoveNAS: Menuju Pemetaan Tutupan Lahan Multi-Suasana melalui Jaringan Adaptif Pencarian Hierarki
Tantangan FLAIR-2 -> Segmentasi semantik dan tantangan adaptasi domain yang diusulkan oleh Institut Informasi Geografis dan Hutan Nasional Perancis (IGN)
bakat-2 solusi tempat ke-8
Perhatikan bahwa deteksi deforestasi dapat diperlakukan sebagai tugas segmentasi atau tugas deteksi perubahan
DetecTree -> Deteksi pohon dari citra udara dengan Python, pengklasifikasi LightGBM piksel pohon/non-pohon dari citra udara
Deteksi batas lapangan tanaman: pendekatan dan tantangan utama -> Artikel menengah, yang mencakup pendekatan historis dan modern
kenya-crop-mask -> Pemetaan tanaman tahunan dan dalam musim di Kenya - Pengklasifikasi LSTM untuk mengklasifikasikan piksel sebagai mengandung tanaman atau tidak, dan peramal multi-spektral yang menyediakan rangkaian waktu 12 bulan dengan masukan parsial. Kumpulan data yang diunduh dari GEE dan pytorch Lightning digunakan untuk pelatihan
Apa yang berkembang di sana? Identifikasi tanaman dari data penginderaan jauh multi-spektral (Sentinel 2) menggunakan eo-learn untuk pra-pemrosesan data, deteksi awan, perhitungan NDVI, augmentasi gambar & fastai
Klasifikasi spesies pohon dari LiDAR di udara dan data hiperspektral menggunakan jaringan saraf konvolusional 3D
klasifikasi tipe krop -> menggunakan data Sentinel 1 & 2 dengan U-Net + LSTM, lebih banyak fitur (yaitu pita) dan resolusi lebih tinggi menghasilkan hasil yang lebih baik (artikel, tanpa kode)
Temukan lapangan olahraga menggunakan Mask R-CNN dan overlay pada peta jalan terbuka
LSTM untuk menghasilkan crop mask untuk Togo
DeepSatModels -> Pra-pelatihan kontrastif kontekstual untuk segmentasi semantik tipe krop
tantangan-deteksi-tanaman-tanaman-pin-tanaman -> Menggunakan eo-learn dan fastai untuk mengidentifikasi tanaman dari data penginderaan jauh multi-spektral
Mendeteksi Lahan Pertanian dari Citra Satelit Sentinel-2 -> Kami mengembangkan UNet-Agri, model pembelajaran mesin benchmark yang mengklasifikasikan lahan pertanian menggunakan citra Sentinel-2 akses terbuka pada resolusi spasial 10m
DeepTreeAttention -> Implementasi Hang dkk. "Klasifikasi Gambar Hiperspektral dengan CNN Berbantuan Perhatian" untuk prediksi spesies pohon
Crop-Classification -> klasifikasi crop menggunakan citra satelit multi temporal
ParcelDelineation -> menggunakan kumpulan data poligon Prancis dan unet dengan keras
crop-mask -> Alur kerja ujung ke ujung untuk menghasilkan peta lahan pertanian resolusi tinggi, menggunakan model GEE & LSTM
DeepCropMapping -> Pendekatan pembelajaran mendalam multi-temporal dengan kemampuan generalisasi spasial yang lebih baik untuk pemetaan jagung dan kedelai dinamis, menggunakan LSTM
Segmentasi Penutup Kanopi dan Tanah menggunakan NDVI dan Rasterio
Gunakan pengelompokan KMeans untuk mengelompokkan citra satelit berdasarkan tutupan lahan/penggunaan lahan
ResUnet-a -> kerangka pembelajaran mendalam untuk segmentasi semantik data penginderaan jauh
DSD_paper_2020 -> Klasifikasi Jenis Tanaman berdasarkan Machine Learning dengan Data Multitemporal Sentinel-1
MR-DNN -> mengekstraksi sawah dari citra satelit Landsat 8
deep_learning_forest_monitoring -> Pemetaan dan pemantauan hutan di benua Afrika menggunakan data Sentinel-2 dan pembelajaran mendalam
pemetaan lahan pertanian global -> pemetaan lahan pertanian multi-temporal global
U-Net untuk Segmentasi Semantik Lahan Tanaman Kedelai dengan gambar SAR
UNet-RemoteSensing -> menggunakan 7 band Landsat dan keras
Landuse_DL -> menggambarkan bentang alam akibat pencairan lapisan es yang kaya akan es
kanopi -> Pengklasifikasi Jaringan Neural Konvolusional Mengidentifikasi Spesies Pohon di Hutan Konifer Campuran dari Citra Hiperspektral
RandomForest-Classification -> Data multisensor untuk memperoleh komunitas vegetasi lahan gambut menggunakan kendaraan udara tak berawak sayap tetap
forest_change_detection -> segmentasi perubahan hutan dengan model yang bergantung pada waktu, termasuk model Siam, UNet-LSTM, UNet-diff, UNet3D
budidaya -> segmentasi lahan budidaya, dibangun di atas PyTorch Geometric dan PyTorch Lightning
sentinel-tree-cover -> Metode global untuk mengidentifikasi pohon di luar hutan berkanopi tertutup dengan citra satelit resolusi menengah
crop-type-detection-ICLR-2020 -> Solusi Pemenang dari Kompetisi Deteksi Jenis Tanaman di lokakarya CV4A, ICLR 2020
Identifikasi tanaman menggunakan citra satelit -> Artikel medium, pengantar identifikasi tanaman
S4A-Models -> Berbagai eksperimen pada dataset Sen4AgriNet
mekanisme-perhatian-unet -> U-Net berbasis perhatian untuk mendeteksi deforestasi dalam citra sensor satelit
Cocoa_plantations_detection -> Mendeteksi perkebunan kakao di Pantai Gading menggunakan data penginderaan jauh Sentinel-2 menggunakan KNN, SVM, Random Forest dan MLP
SummerCrop_Deeplearning -> Model Klasifikasi Pembelajaran yang Dapat Dipindahtangankan dan Estimasi Penyerapan Karbon Tanaman di Ekosistem Lahan Pertanian
DeepForest adalah paket python untuk melatih dan memprediksi tajuk pohon individu dari citra RGB di udara
Gudang resmi untuk tantangan "Mengidentifikasi pohon pada citra satelit" dari Omdena
Menghitung-Pohon-menggunakan-Gambar-Satelit -> membuat inventarisasi pohon yang masuk dan keluar untuk inspeksi pohon tahunan, menggunakan segmentasi keras & semantik
Makalah Alam 2020 - Jumlah pohon yang tak terduga dalam jumlah besar di Sahara dan Sahel Afrika Barat -> kerangka deteksi pohon berdasarkan U-Net & tensorflow 2 dengan kode di sini
TreeDetection -> Pengklasifikasi berbasis warna untuk mendeteksi pohon di data gambar Google bersama dengan lokalisasi visual pohon dan perhitungan ukuran mahkota melalui OpenCV
PTDM -> Metode Deteksi Pohon Pomelo Berdasarkan Mekanisme Perhatian dan Penggabungan Fitur Lintas Lapisan
deteksi pohon perkotaan -> Deteksi Pohon Individu di Lingkungan Perkotaan Skala Besar menggunakan Citra Multispektral Resolusi Tinggi. Dengan kumpulan data
BioMassters_baseline -> garis dasar petir pytorch dasar menggunakan UNet untuk memulai tantangan BioMassters (estimasi biomassa)
Pemenang Biomasster -> 3 solusi teratas
solusi biomassa kbrodt -> solusi tempat pertama
solusi biomassa quqixun
estimasi biomassa -> dari Azavea, diterapkan ke Sentinel 1 & 2
3DUNetGSFormer -> Saluran pembelajaran mendalam untuk pemetaan lahan basah yang kompleks menggunakan jaringan permusuhan generatif dan transformator Swin
SEANet_torch -> Menggunakan jaringan saraf multi-tugas yang sadar tepi semantik untuk menggambarkan bidang pertanian dari gambar penginderaan jauh
arborizer -> Segmentasi dan klasifikasi tajuk pohon
Penggunaan Kembali -> Unet REgresif untuk Penyimpanan Karbon dan Estimasi Biomassa Di Atas Tanah
unet-sentinel -> UNet untuk menangani gambar SAR Sentinel-1 untuk mengidentifikasi deforestasi
MaskedSST -> Masked Vision Transformers untuk Klasifikasi Gambar Hiperspektral
UNet-defmapping -> tesis master menggunakan UNet untuk memetakan deforestasi menggunakan gambar Sentinel-2 Level 2A, diterapkan pada dataset Amazon dan Atlantic Rainforest
cvpr-multiearth-deforestation-segmentation -> multimodal Unet ikut serta dalam tantangan deforestasi CVPR Multiearth 2023
klasifikasi-gandum-yang diawasi-menggunakan-pytorchs-torchgeo -> klasifikasi gandum yang diawasi menggunakan torchgeo
TransUNetplus2 -> TransU-Net++: Memikirkan kembali perhatian yang diberikan pada TransU-Net untuk pemetaan deforestasi. Menggunakan kumpulan data hutan Amazon dan Atlantik
Model tinggi kanopi bumi beresolusi tinggi -> Model tinggi kanopi bumi beresolusi tinggi
Radiant Earth Spot the Crop Challenge -> Model pemenang dari Radiant Earth Spot the Crop Challenge, menggunakan rangkaian waktu data multispektral Sentinel-2 untuk mengklasifikasikan tanaman di Western Cape, Afrika Selatan. Solusi lain
transfer-field-delineation -> Pembelajaran Multi-Region Transfer untuk Segmentasi Batas Lahan Tanaman pada Citra Satelit dengan Label Terbatas
deteksi pemotongan -> Deteksi otomatis pemotongan dan penggembalaan dari gambar Sentinel
PTAViT3D dan PTAViT3DCA -> Mengatasi awan halus: deteksi batas lapangan menggunakan rangkaian waktu citra S2 dan/atau S1
ai4boundaries -> paket Python yang memfasilitasi pengunduhan kumpulan data AI4boundaries
pytorch-waterbody-segmentation -> Model UNET dilatih pada kumpulan data Citra Satelit Perairan dari Kaggle. Model ini diterapkan di Hugging Face Spaces
Deteksi dan Analisis Banjir menggunakan UNET dengan Resnet-34 sebagai back bone menggunakan fastai
Deteksi Banjir Otomatis dari Citra Satelit Menggunakan Deep Learning
UNSOAT menggunakan fastai untuk melatih Unet melakukan segmentasi semantik pada citra satelit untuk mendeteksi air
Klasifikasi dan Segmentasi Semi-Supervisi pada Citra Udara Resolusi Tinggi - Memecahkan masalah FloodNet
Houston_flooding -> memberi label setiap piksel sebagai terendam atau tidak menggunakan data dari Badai Harvey. Kumpulan data terdiri dari gambar sebelum dan sesudah banjir, dan masker air banjir yang sebenarnya dibuat menggunakan pengelompokan piksel gambar tanpa pengawasan (dengan DBScan) dengan verifikasi/penyesuaian kluster manusia
ml4floods -> Ekosistem data, model, dan saluran kode untuk mengatasi banjir dengan ML
Panduan komprehensif untuk memulai kompetisi Deteksi Banjir ETCI -> menggunakan Sentinel1 SAR & pytorch
Petakan Air Banjir Citra SAR dengan SageMaker -> diterapkan pada dataset Sentinel-1
Solusi peringkat pertama untuk STAC Overflow: Petakan Air Banjir dari Citra Radar yang dihosting oleh Microsoft AI untuk Bumi -> menggabungkan Unet dengan Catboostclassifier, mengambil nilai maksimalnya, bukan rata-rata
hydra-floods -> aplikasi Python open source untuk mengunduh, memproses, dan mengirimkan peta air permukaan yang berasal dari data penginderaan jauh
CoastSat -> alat untuk memetakan garis pantai yang memiliki ekstensi CoastSeg menggunakan model segmentasi
Satellite_Flood_Segmentation_of_Harvey -> mengeksplorasi pembelajaran mendalam dan kmean tradisional
Deteksi Peristiwa Banjir Memanfaatkan Citra Satelit
ETCI-2021-Kompetisi-Deteksi Banjir -> Eksperimen Segmentasi Banjir pada Citra SAR Sentinel-1 dengan Pelabelan Pseudo Siklik dan Pelatihan Siswa Bising
FDSI -> Deteksi Banjir pada Citra Satelit - Tugas Satelit Multimedia 2017
deepwatermap -> model dalam yang mengelompokkan air pada gambar multispektral
rivamap -> mesin analisis dan pemetaan sungai otomatis
perairan dalam -> melacak perubahan ketinggian air
WatNet -> ConvNet mendalam untuk pemetaan air permukaan berdasarkan gambar Sentinel-2, menggunakan Kumpulan Data Air Permukaan Bumi
AU-Net-untuk-Pemetaan Luas Banjir
floatingobjects -> MENUJU MENDETEKSI OBJEK MENGAPUNG PADA SKALA GLOBAL DENGAN FITUR SPASIAL YANG DIBELAJAR MENGGUNAKAN SENTINEL 2. Menggunakan U-Net & pytorch
SpaceNet8 -> solusi dasar Unet untuk mendeteksi jalan dan bangunan yang banjir
dlsim -> Mendobrak Batasan Penginderaan Jauh dengan Simulasi dan Pembelajaran Mendalam untuk Pemetaan Aliran Banjir dan Puing
Water-HRNet -> HRNet dilatih di Sentinel 2
model segmentasi semantik untuk mengidentifikasi lahan yang baru dikembangkan atau terendam banjir menggunakan citra NAIP yang disediakan oleh Chesapeake Conservancy, pelatihan tentang MS Azure
BandNet -> Analisis dan penerapan data multispektral untuk segmentasi air menggunakan pembelajaran mesin. Menggunakan data Sentinel-2
mmflood -> MMFlood: Kumpulan Data Multimodal untuk Penggambaran Banjir Dari Citra Satelit (Sentinel 1 SAR)
Urban_flooding -> Menuju model berbasis data yang dapat ditransfer untuk memprediksi kedalaman air banjir pluvial perkotaan di Berlin, Jerman
Pemetaan Banjir-Menggunakan-Gambar-Satelit -> tesis master membandingkan Random Forest & Unet
MECNet -> Fitur CNN yang kaya untuk segmentasi badan air dari citra udara dan satelit beresolusi sangat tinggi
SWRNET -> Pendekatan Pembelajaran Mendalam untuk Pengenalan Area Perairan Permukaan Kecil di Satelit
elwha-segmentation -> menyempurnakan Meta's Segment Anything (SAM) untuk segmentasi piksel sungai pandangan mata burung, dengan artikel Medium
RiverSnap -> kode untuk kertas: Analisis Kinerja Komparatif Model Deep Learning Populer dan Model Segment Anything (SAM) untuk Segmentasi Air Sungai dalam Citra Penginderaan Jauh Jarak Dekat
SatelliteVu-AWS-Disaster-Response-Hackathon -> prediksi penyebaran kebakaran menggunakan ML klasik & pembelajaran mendalam
Deteksi Kebakaran Liar menggunakan U-Net yang dilatih tentang Databricks & Keras, segmentasi semantik
Metode Praktis Pemantauan Area Terbakar Resolusi Tinggi Menggunakan Sentinel-2 dan VIIRS
Prediksi Risiko Kebakaran Hutan Geospasial AI -> Model prediktif yang menggunakan data raster geospasial untuk menilai potensi bahaya kebakaran hutan di wilayah Amerika Serikat yang berdekatan menggunakan Unet
IndustrialSmokePlumeDetection -> menggunakan Sentinel-2 & ResNet-50 yang dimodifikasi
deteksi area terbakar -> menggunakan Sentinel-2
penyelamatan -> Perhatian terhadap kebakaran: model pembelajaran mendalam multi-saluran untuk prediksi tingkat keparahan kebakaran hutan
smoke_segmentation -> Menyegmentasikan gumpalan asap dan memperkirakan kepadatan dari citra GOES
deteksi kebakaran hutan -> Menggunakan Vision Transformers untuk meningkatkan deteksi kebakaran hutan pada citra satelit
Burned_Area_Detection -> Mendeteksi Area Terbakar dengan data Sentinel-2
garis dasar area terbakar -> model garis dasar unet yang menyertai Kumpulan Data Area Terbakar Satelit (Sentinel 1 & 2)
burn-area-seg -> Segmentasi area terbakar dari Sentinel-2 menggunakan pembelajaran multi-tugas
chabud2023 -> Deteksi perubahan untuk tantangan Deliniasi Area Terbakar (ChaBuD) ECML/PKDD 2023
Posting Deteksi Kebakaran Hutan menggunakan Siamese-UNet -> pada dataset Chadbud
vit-burned-detection -> Transformator penglihatan dalam penggambaran area yang terbakar
longsor-sar-unet -> Pembelajaran Mendalam untuk Deteksi Tanah Longsor Secara Cepat menggunakan Datacubes Synthetic Aperture Radar (SAR)
Longslide-Mapping-dengan-CNN-> Strategi baru untuk memetakan tanah longsor dengan jaringan saraf konvolusional umum
Relict_landslides_cnn_kmeans-> Relict Deteksi tanah longsor di daerah hutan hujan menggunakan kombinasi algoritma pengelompokan k-means dan model segmentasi semantik pembelajaran dalam
Longslide-Mapping-on-Sar-Data-by-attention-u-net-> Pemetaan longsor cepat pada data SAR dengan perhatian U-net
SAR-landslide-deteksi-pretraining-> pretraining klasifikasi tanah longsor berbasis SAR mengarah pada segmentasi yang lebih baik
Pemetaan tanah longsor dari citra sentinel-2 melalui deteksi perubahan
Hed -unet -> Model untuk segmentasi semantik simultan dan deteksi tepi, contoh yang disediakan adalah bagian depan gletser dan membangun jejak kaki menggunakan dataset pelabelan gambar udara INRIA
Glacier_mapping -> Pemetaan Gletser di Hindu Kush Himalaya, Landsat 7 Gambar, Label Shapefile Gletser, tanpa kendali dengan putus sekolah
Glacier-Detect-Ml-> Model regresi logistik sederhana untuk mengidentifikasi gletser dalam citra satelit Landsat
GlacierseManticsmentation
Antartika-Fraktur-Deteksi-> Menggunakan Unet dengan MODIS Mosaic of Antartika untuk mendeteksi fraktur permukaan
Deteksi TPA terbuka -> Menggunakan Sentinel -2 untuk mendeteksi perubahan besar dalam rasio luka bakar yang dinormalisasi (NBR)
Sea_ice_remote_sensing -> Klasifikasi Konsentrasi Es Laut
Metana-deteksi-dari-hyperspectral-imagery-> Metode penginderaan jauh yang dalam untuk deteksi metana dalam citra hiperspektral overhead
Metana-Emisi-Project-> Klasifikasi CNNs digabungkan dalam pendekatan ensemble dengan metode tradisional pada data tabel
CH4NET -> Model yang cepat dan sederhana untuk mendeteksi gumpalan metana menggunakan Sentinel -2
Eddynet -> Jaringan saraf yang dalam untuk Klasifikasi Pusat Samudra Pixel
Schisto -vegetation -> Segmentasi pembelajaran mendalam dari citra satelit mengidentifikasi vegetasi air yang terkait dengan host perantara siput schistosomiasis di Senegal, Afrika
Earthformer -> Menjelajahi transformator ruang -waktu untuk peramalan sistem bumi
Weather4cast-2022-> Model Baseline UNET-3D untuk kompetisi prediksi film Weather4cast Rain
WeatherfusionNet -> Memprediksi curah hujan dari data satelit. Weather4cast-2022 Solusi Tempat 1
mariningebrisdetector-> Deteksi skala besar puing-puing laut di daerah pesisir dengan Sentinel-2
Kaggle-Identify-Contrails-4th-> Solusi tempat ke-4, Google Research-Identifikasi contrails untuk mengurangi pemanasan global
Minesegsat -> Sistem Otomatis untuk Mengevaluasi Luasan Area Gangguan Penambangan dari Sentinel -2 Imagery
Starcop: Segmentasi semantik gumpalan metana dengan model pembelajaran mesin hiperspektral
ASOS -> Mengenali pola yang dilindungi dan antropogenik dalam lanskap menggunakan pembelajaran mesin yang dapat ditafsirkan dan citra satelit
Mengekstraksi jalan itu menantang karena oklusi yang disebabkan oleh benda lain dan lingkungan lalu lintas yang kompleks
Chesapeakersc -> Segmentasi untuk mengekstrak jalan dari latar belakang tetapi juga dievaluasi dengan kinerja mereka di kelas "Tree Canopy Over Road"
Deteksi Jalan Menggunakan Segmentasi Semantik dan Albumentasi untuk Augmention Data Menggunakan Dataset Jalan Massachusetts, U-Net & Keras. Dengan kode
Ml_epfl_project_2 -> u -net di pytorch untuk melakukan segmentasi semantik jalan pada gambar satelit
Segmentasi Semantik Jalan Menggunakan Keras U-Net, Data OSM, Artikel Ringkasan Proyek oleh Mahasiswa, Tidak Ada Kode
Solusi memenangkan dari Deteksi Jalan Spacenet dan Tantangan Routing
Roadvecnet-> Jalan-Jarang-Segmentasi dan Vektorisasi di Kera dengan Dataset
Mendeteksi Jenis Jalan dan Jalan Jupyter Notebook
Awesome-Deep-Map-> Daftar sumber daya yang dikuratori yang didedikasikan untuk algoritma pembelajaran / visi komputer yang mendalam untuk pemetaan. Masalah pemetaan termasuk inferensi jaringan jalan, ekstraksi jejak kaki, dll.
Roadtracer: Ekstraksi otomatis jaringan jalan dari gambar udara -> menggunakan proses pencarian berulang yang dipandu oleh fungsi keputusan berbasis CNN untuk memperoleh grafik jaringan jalan langsung dari output CNN
road_detection_mtl -> deteksi jalan menggunakan teknik pembelajaran multi -tugas untuk meningkatkan kinerja tugas deteksi jalan dengan menggabungkan kendala pengetahuan sebelumnya, menggunakan dataset Jalan Spacenet
road_connectivity -> peningkatan konektivitas jalan dengan belajar bersama orientasi dan segmentasi (CVPR2019)
Ekstraksi Jalan-Jalan Menggunakan Pemrosesan Gambar Klasik-> Deteksi Blur & Canny Edge
Spin_roadmapper -> mengekstraksi jalan dari gambar udara melalui penalaran grafik ruang spasial dan interaksi untuk mengemudi otonom
road_extraction_remote_sensing -> Implementasi Pytorch, CVPR2018 Pengajuan Tantangan Ekstraksi Jalan DeepGlobe. Lihat juga Deepglobe-road-Extraction-Challenge
Dataset roadDetections oleh Microsoft
Coanet -> Jaringan Perhatian Konektivitas untuk Ekstraksi Jalan dari Citra Satelit. Modul COA menggabungkan informasi grafis untuk memastikan konektivitas jalan lebih baik dipertahankan
Satelit Segmentasi Jalan Citra -> Artikul Intro pada Medium Menggunakan Dataset Jalan Kaggle Massachusetts
Label -pixels -> Untuk segmentasi jalan semantik dan fitur lainnya
Satellite-Image-Road-Extraction-> Ekstraksi Jalan dengan Residual U-Net yang Dalam
road_building_extraction -> implementasi Pytorch dari arsitektur U -Net untuk ekstraksi jalan dan bangunan
Rcfsnet -> ekstraksi jalan dari citra satelit dengan konteks jalan dan fitur tahap penuh
SGCN-> jaringan konvolusi grafik yang dapat dipisahkan secara kedalaman yang dapat dipisahkan untuk ekstraksi jalan di lingkungan yang kompleks dari gambar penginderaan jarak jauh resolusi tinggi
ASPN -> Segmentasi Jalan untuk gambar penginderaan jauh menggunakan jaringan piramida spasial permusuhan
Fcns-for-road-ekstraksi-kera-> ekstraksi jalan gambar penginderaan jarak jauh resolusi tinggi berdasarkan berbagai jaringan segmentasi semantik
CRESI -> Ekstraksi Jaringan Jalan dari Citra Satelit, dengan Perkiraan Waktu Perjalanan dan Perjalanan
D -Linknet -> LinkNet dengan enkoder pretrain dan konvolusi melebar untuk ekstraksi jalan citra satelit resolusi tinggi
Sat2Graph -> Ekstraksi Grafik Jalan Melalui Pengkodean Grafik -Tensor
Segmentasi Gambar) -> Menggunakan Dataset Jalan Massachusetts dan Fast.ai
Roadtracer -M -> Ekstraksi jaringan jalan dari gambar satelit menggunakan segmentasi dan penelusuran berbasis CNN
Scroadextractor -> Pembelajaran mendalam yang diawasi dengan pengawasan lemah untuk ekstraksi permukaan jalan dari gambar penginderaan jauh
Roadda -> Stagewise Adaptasi Domain Tanpa Pengawasan Dengan Pelatihan Mandiri Presper untuk Segmentasi Jalan dari Gambar Penginderaan Jauh
Deepsmentor -> Implementasi Pytorch dari Proyek DeepCrack dan Roadnet
Ekstraksi Jalan Peningkatan Perhatian Sisa Caket dari Gambar Remote Sensing
Nl-linknet-> Menuju ekstraksi jalan yang lebih ringan tetapi lebih akurat dengan operasi non-lokal
IRSR -NET -> Jaringan Deteksi Jalan Remote Sensing Ringan
Hironex -> Alat Python untuk ekstraksi otomatis jaringan jalan historis dari peta sejarah
Road_detection_model -> pemetaan jalan di Amazon Brasil dengan kecerdasan buatan dan sentinel -2
DTNET-> Deteksi Jalan Melalui Jaringan Dual-Task Berdasarkan Modul Fusi Grafik Lintas-Lapisan
Otomatis-road-ekstraksi-dari-historis-peta-penggunaan-Deep-Learning-Techniques-> Ekstraksi Jalan Otomatis dari Peta Historis Menggunakan Teknik Pembelajaran Mendalam
Istanbul_dataset -> Segmentasi pada dataset Istanbul, Inria dan Massachusetts
Segmentasi Jalan-> Segmentasi Jalan pada Gambar Satelit Menggunakan CNN (U-Nets dan FCN8) dan Regresi Logistik
D -Linknet -> Solusi Tempat 1 dalam Tantangan Ekstraksi Jalan Deepglobe
Deteksi taman-> deteksi taman: Menuju ekstraksi jalan citra satelit multi-tugas yang efisien melalui deteksi titik tombol patch-wise
Tile2net -> Memetakan Walk: Pendekatan Visi Komputer yang Dapat Diukur untuk Menghasilkan Dataset Jaringan Trotoar dari Citra Aerial
AERIALLANENET-> Bangunan peta tingkat jalur dari gambar udara, memperkenalkan dataset jalur udara (AEL): dataset gambar udara skala besar pertama yang dibangun untuk deteksi jalur
SAM_ROAD -> Segmen apa pun Model (SAM) untuk ekstraksi jaringan jalan berskala besar dari vektor dari citra udara.
LRDNET -> Algoritma Deteksi Jalan Ringan Berdasarkan Jaringan Perhatian Konvolusional Multiskale dan Kepala Decoder Ditambah
Ekstraksi Jaringan Jalan yang Dipulung dengan Baik melalui Pembelajaran Bersama Konektivitas dan Segmentasi -> Menggunakan SPACENET 3 Dataset
Jalan dan membangun segmentasi semantik dalam citra satelit menggunakan u-net di Dataset & Keras Jalan Massachusetts
Temukan konstruksi yang tidak sah menggunakan fotografi udara -> pembuatan dataset
SRBuildSeg-> Membuat gambar satelit resolusi rendah terlahir kembali: pendekatan pembelajaran yang mendalam untuk ekstraksi bangunan super resolusi
Membangun Deteksi Jejak dengan Fastai pada Dataset Spacenet7 yang Menantang Menggunakan U-Net & Fastai
Pix2pix-for-semantik-segmentation-of-matellite-images-> Menggunakan jaringan pix2pix gan untuk segmen jejak bangunan dari gambar satelit, menggunakan TensorFlow
SpaceNetunet -> Model dasar adalah u -net seperti, diterapkan pada data spacenet vegas, menggunakan keras
Inpeksi pembangunan otomatis-> Input: gambar satelit RGB yang sangat beresolusi tinggi (<= 0,5 m/piksel). Output: Bangunan dalam format vektor (Geojson), untuk digunakan dalam produk peta digital. Dibangun di atas robosat dan robosat.pink.
Project_sunroof_india -> menganalisis gambar satelit Google untuk menghasilkan laporan tentang potensi tenaga surya masing -masing rumah di rumah, menggunakan berbagai teknik penglihatan komputer klasik (misalnya deteksi tepi yang cerdik)
Jointnet-a-common-network-for-road-and-building-extraction
Memetakan bangunan Afrika dengan citra satelit: Posting blog Google AI. Lihat Dataset Bangunan Terbuka
nz_convnet -> convnet berbasis U -net untuk citra Selandia Baru untuk mengklasifikasikan garis besar bangunan
POLCNN-> Pembelajaran ujung ke ujung poligon untuk klasifikasi gambar penginderaan jauh
solusi spacenet_building_detection oleh motokimura menggunakan unet
Vec2instance -> diterapkan pada spacenet tantangan AOI 2 (VEGAS) membangun dataset jejak kaki, TensorFlow v1.12
Gempa bumi gempa -> Segmentasi bangunan dari citra satelit dan klasifikasi kerusakan untuk setiap bangunan, menggunakan keras
Repo semantik-segmentasi oleh fuweifu-vtoo-> menggunakan pytorch dan dataset Bangunan & Jalan Massachusetts
Mengekstraksi Bangunan dan Jalan Dari AWS Data Terbuka Menggunakan Amazon Sagemaker -> Dengan Repo
TF -SEEGNET -> AirNet adalah jaringan segmentasi berdasarkan segnet, tetapi dengan beberapa modifikasi
RGB-FootPrint-Extract-> Jaringan segmentasi semantik untuk ekstraksi jejak bangunan skala perkotaan menggunakan citra satelit RGB, modul deeplavv3+ dengan backbone resnet C42 yang melebar
SpacenetExploration -> Proyek sampel yang menunjukkan cara mengekstrak jejak kaki bangunan dari gambar satelit menggunakan model segmentasi semantik. Data dari Tantangan Spacenet
Segmentasi Instance Rooftop-> VGG-16, segmentasi instan, menggunakan dataset AIRS
Pemetaan Surya-Farms-> Dataset Kecerdasan Buatan untuk Lokasi Energi Surya di India
Kafe Unggas-> Repo ini berisi kode untuk mendeteksi lumbung unggas dari citra udara resolusi tinggi dan set data lumbung yang diprediksi di Amerika Serikat yang diprediksi
SSAI -CNN -> Ini adalah implementasi metode disertasi Volodymyr MNIH di Massachusetts Road & Building Dataset -nya
Ekstraksi-Sensing-Sensing-Tanpa-Model-Model-Penggunaan-dan-Grasshopper
Segmentasi-ditingkatkan-resunet-> Ekstraksi bangunan kota di wilayah Daejeon menggunakan U-Net residu yang dimodifikasi (resunet yang dimodifikasi) dan menerapkan pasca pemrosesan
Topeng RCNN untuk Spacenet Off Nadir Detection
GRSL_BFE_MA -> Ekstraksi jejak bangunan berbasis pembelajaran mendalam dengan anotasi yang hilang menggunakan fungsi kerugian baru
Fer -CNN -> Deteksi, Klasifikasi dan Batas Batas bangunan dalam citra satelit menggunakan jaringan saraf konvolusional daerah tepi yang lebih cepat
Unet-image-segmentation-satelit-picture-> Unet untuk memprediksi atasan atap pada dataset pemetaan AI yang berkokok, menggunakan keras
Vector-map-generation-from-aerial-imagery-using-learning-geospatial-unet-> diterapkan pada gambar yang dirujuk geo yang berukuran sangat besar> 10k x 10k piksel
Building-Footprint-Semmentation-> Pip Instalable Library untuk melatih Building Footprint Segmentation pada Satelit dan Citra Aerial, diterapkan pada Dataset Bangunan Massachusetts dan Dataset Pelabelan Gambar Aerial INRIA INRIA
SemsegBuildings -> Proyek Menggunakan Kerangka Fast.ai untuk Segmentasi Semantik pada Dataset Segmentasi Bangunan INRIA
Fcnn -example -> overfit ke gambar tunggal yang diberikan untuk mendeteksi rumah
SAT2LOD2-> Perangkat lunak GUI-Enabled yang berbasis di Python yang mengambil gambar satelit sebagai input dan mengembalikan model bangunan LOD2 sebagai output
SatFootPrint -> Bangunan Segmentasi pada Dataset Spacenet 7
Bangunan -deteksi -> Eksperimen penglihatan raster untuk melatih model untuk mendeteksi bangunan dari citra satelit di tiga kota di Amerika Latin
Multi-Building-Tracker-> Pelacak bangunan multi-target untuk gambar satelit menggunakan pembelajaran yang mendalam
Segmentasi Semantik Peningkatan Batas untuk membangun ekstraksi
Kode keras untuk segmentasi semantik biner
Deteksi spacenet-building
LGPNET-BCD-> Deteksi Perubahan Bangunan untuk Gambar Penginderaan Jauh VHR melalui jaringan piramida global lokal dan strategi pembelajaran transfer lintas tugas
Mtl_homoscedastic_srb -> Kerangka kerja pembelajaran mendalam multi -tugas untuk membangun segmentasi jejak kaki
UNET_CNN -> Model Unet untuk Segmen Cakupan Bangunan di Boston Menggunakan Data Penginderaan Jauh, Menggunakan Keras
FDANET-> Adaptasi domain tingkat penuh untuk membangun ekstraksi dalam gambar penginderaan optik yang sangat beresolusi tinggi
CBRNET-> Jaringan penyempurnaan batas kasar-ke-halus untuk membangun ekstraksi dari citra penginderaan jauh
Aslnet -> Pembelajaran bentuk permusuhan untuk membangun ekstraksi dalam gambar penginderaan jarak jauh VHR
Brrnet -> Jaringan saraf yang sepenuhnya konvolusional untuk ekstraksi bangunan otomatis dari gambar penginderaan jarak jauh resolusi tinggi
Multi-skala-filtering-building-index-> Indeks bangunan penyaringan multi-skala untuk membangun ekstraksi dalam pencitraan satelit resolusi yang sangat tinggi
Model untuk penginderaan jauh -> Daftar Panjang UNETS dll diterapkan pada deteksi bangunan
Boundary_loss_for_remote_sensing -> Kehilangan batas untuk segmentasi semantik citra penginderaan jauh
Open Cities AI Challenge -> Segmentasi bangunan untuk ketahanan bencana. Solusi memenangkan di GitHub
MapNet -> Multi Path Neural Network untuk membangun ekstraksi jejak kaki dari citra penginderaan jarak jauh
Dual -hrnet -> melokalisasi bangunan dan mengklasifikasikan tingkat kerusakannya
ESFNET -> Jaringan yang efisien untuk membangun ekstraksi dari gambar udara resolusi tinggi
deteksi atap-python-> mendeteksi atap dari gambar satelit resolusi rendah dan menghitung area untuk penanaman dan angsuran panel surya menggunakan teknik penglihatan komputer klasik
keras_segmentation_models -> Menggunakan data spasial berbasis vektor terbuka untuk membuat set data semantik untuk membangun segmentasi untuk data raster
CVCMFFNET -> Jaringan fusi konvolusional dan multifeature yang bernilai kompleks untuk membangun segmentasi semantik gambar InSAR
Steb-unet-> Booster pengkodean berbasis transformator Swin terintegrasi dalam jaringan berbentuk U untuk membangun ekstraksi
DFC2020_BASELINE-> Solusi dasar untuk Kontes Fusi Data GRSS IEEE 2020. Prediksi label tutupan lahan dari Sentinel-1 dan Sentinel-2 Imagery
Menggabungkan beberapa model segmentasi berdasarkan dataset yang berbeda menjadi model tunggal yang dapat dioperasikan -> Segmentasi atap, mobil & jalan
Ground-Truth-Gan-Semmentation-> Gunakan pix2pix untuk segmen jejak bangunan. Dataset yang digunakan adalah udara
UNICEF -GIGA_SUDAN -> Mendeteksi lot sekolah dari citra satelit di Sudan selatan menggunakan model segmentasi yang tidak ada
Building_footprint_extraction -> Proyek mengambil citra satelit dari Google dan melakukan ekstraksi jejak bangunan menggunakan U -NET.
Projectregularisasi -> regularisasi batas bangunan dalam gambar satelit menggunakan kerugian permusuhan dan reguler
PolyworldPretrainnetwork -> Ekstraksi bangunan poligonal dengan grafik jaringan saraf dalam gambar satelit
dl_image_segmentation -> Pembelajaran mendalam yang dapat ditafsirkan untuk pemetaan dan pemantauan yang dapat diinterpretasikan. Menggunakan bentuk
UBC-Dataset-> Dataset untuk Deteksi Bangunan dan Klasifikasi dari citra satelit resolusi tinggi dengan fokus pada interpretasi tingkat objek masing-masing bangunan
Unetformer -> transformator yang tidak mirip untuk segmentasi semantik yang efisien dari pencitraan adegan perkotaan penginderaan jauh
BES-NET-> Jaringan Konteks Semantik Peningkatan Batas untuk Segmentasi Semantik Gambar Resolusi Tinggi. Diterapkan pada dataset Vihingen dan Potsdam
CVNET -> Jaringan Getaran Kontur untuk Membangun Ekstraksi
CFENET -> jaringan peningkatan fitur konteks untuk membangun ekstraksi dari citra penginderaan jarak jauh resolusi tinggi
Hisup -> Pemetaan poligonal yang akurat dari bangunan dalam citra satelit
BuildingExtraction -> Bangunan ekstraksi dari gambar penginderaan jauh dengan transformator token yang jarang
CrossGeonet -> Kerangka kerja untuk membangun jejak kaki dari wilayah geografis label -label
AFM_BUILDING -> Membangun generasi jejak kaki melalui jaringan saraf konvolusional dengan representasi bidang objek wisata
Ramp (Replicle AI untuk Microplanning) -> Deteksi Bangunan di negara berpenghasilan rendah dan menengah
Building-Instance-Semmentation-> Multi-Modal Fitur Fusion Network Dengan Detektor Titik Pusat Adaptif Untuk Bangunan Ekstraksi Bangunan
CGSANET-> jaringan encoder-decoder yang dipandu oleh struktur dan lokal untuk ekstraksi bangunan yang akurat dari pencitraan penginderaan jauh resolusi tinggi
Building-footprints-update-> pembelajaran distribusi warna dari gambar penginderaan remote bitemporal untuk memperbarui jejak kaki bangunan yang ada
Ramp -> Dataset Model dan Bangunan untuk mendukung berbagai kasus penggunaan kemanusiaan
Tesis_semantic_image_segmentation_on_satellite_imagery_using_unets -> tesis master ini bertujuan untuk melakukan segmentasi semantik bangunan pada gambar satelit dari dataset Tantangan Spacenet 1 menggunakan Arsitektur U -Net
HD-net-> Jaringan dipisahkan resolusi tinggi untuk membangun ekstraksi jejak kaki melalui dekomposisi tubuh dan batas yang sangat diawasi
Roofsense -> Solusi Pembelajaran Deep Novel untuk Klasifikasi Bahan Atap Otomatis dari Stok Bangunan Belanda Menggunakan Citra Aerial dan Fusi Data Pemindaian Laser
IBS-AQSNET-> Jaringan Penilaian Kualitas Otomatis yang Ditingkatkan untuk Segmentasi Bangunan Interaktif dalam Citra Penginderaan Jauh Resolusi Tinggi
DeepMao -> Jaringan OverCompete yang sangat multi -skala dalam untuk membangun segmentasi dalam citra satelit
PENGEFAKSIAAN PANJUAN PANJUAN PANJUAN DEEP-> Menggunakan kedua deteksi objek dengan segmentasi YOLOV5 dan UNET
Deepsolar -> Kerangka pembelajaran mesin untuk secara efisien membangun database penyebaran matahari di Amerika Serikat. Dataset di Kaggle, sebenarnya menggunakan CNN untuk klasifikasi dan segmentasi diperoleh dengan menerapkan ambang batas ke peta aktivasi. Kode asli adalah TF1 tetapi TF2/KERS dan implementasi Pytorch tersedia. Juga visualisasi checkout dan analisis mendalam .. faktor-faktor yang dapat menjelaskan adopsi energi matahari di .. Virginia dan pelacak Deepsolar: Menuju penilaian yang tidak diawasi dengan data open-source dari keakuratan pemetaan PV terdistribusi berbasis pembelajaran yang mendalam
Hyperion_solar_net -> Model klasifikasi & segmentasi terlatih pada citra RGB dari Google Maps
3D-PV-Locator-> Deteksi skala besar sistem fotovoltaik yang dipasang di atap dalam 3D
Pv_pipeline -> Deepsolar untuk Jerman
deteksi panel surya-> menggunakan segnet, f
