techniques
General tidy up
ディープ ラーニングは衛星画像や航空画像の分析と解釈に革命をもたらし、膨大な画像サイズや幅広いオブジェクト クラスなどの固有の課題に対処しました。このリポジトリは、衛星および航空画像処理に特化したディープ ラーニング技術の包括的な概要を提供します。分類、セグメンテーション、オブジェクト検出などの主要なタスクに適した幅広いアーキテクチャ、モデル、アルゴリズムをカバーしています。
このリポジトリの使用方法: Command + F (Mac) またはCTRL + F (Windows) を使用して、このページで「SAM」などを検索します。
UC merced データセットはよく知られた分類データセットです。
分類はリモート センシング データ分析の基本的なタスクであり、その目標は、「都市」、「森林」、「農地」などの意味ラベルを各画像に割り当てることです。画像にラベルを割り当てるプロセスは次のとおりです。画像レベル分類として知られています。ただし、場合によっては、川が流れる森林や住宅地と商業地の両方がある都市など、1 つの画像に複数の異なる土地被覆タイプが含まれることがあります。このような場合、画像レベルの分類はより複雑になり、単一の画像に複数のラベルを割り当てる必要があります。これは、特徴抽出アルゴリズムと機械学習アルゴリズムを組み合わせて使用して、さまざまな土地被覆タイプを正確に識別することで実現できます。画像レベルの分類を、セマンティック セグメンテーションとも呼ばれるピクセル レベルの分類と混同しないように注意することが重要です。画像レベルの分類では単一のラベルが画像全体に割り当てられますが、セマンティック セグメンテーションでは画像内の個々のピクセルにラベルが割り当てられるため、画像内の土地被覆タイプが非常に詳細かつ正確に表現されます。ニューラル ネットワークを使用した衛星画像分類の簡単な紹介を読む
シンプルな sklearn クラスター アルゴリズムまたは深層学習 CNN を使用した Sentinel 2 データの土地分類
keras または FastAI を使用したアマゾン熱帯雨林の衛星写真のマルチラベル分類
EuroSat-Satellite-CNN-and-ResNet -> PyTorch を使用して畳み込みニューラル ネットワークと残差ネットワークを最初から作成することによるカスタム画像データセットの分類
リポジトリを使用した ResNet-50 分類器の微調整を使用した衛星画像からの非公式居住地の検出
Land-Cover-Classification-using-Sentinel-2-Dataset -> このリポジトリに付随する、よく書かれた Medium 記事ですが、EuroSAT データセットを使用しています
Keras とカリフォルニア州サリナス バレーのブドウ畑で取得されたマルチスペクトル データセットを使用した畳み込みニューラル ネットワークを使用した衛星画像の土地被覆分類
衛星画像から森林破壊を検出 -> FastAI と ResNet50 を使用し、リポジトリ fsdl_deforestation_detection を使用
Python で Tensorflow を使用した衛星データ分類のためのニューラル ネットワーク -> バイナリのビルドアップ/非ビルドアップ クラス予測のための Landsat 5 マルチスペクトル データ分類のステップバイステップ ガイド (リポジトリ付き)
VHR (プレアデス星団: 0.5m) および MR (センチネル: 10m) 画像上の事前学習済み CNN ネットワークからのスラム街マッピング
衛星画像と畳み込みニューラル ネットワークを使用した都市環境の比較 -> Urban Atlas データセット上の各画像に対して抽出された画像埋め込み特徴に関する興味深い研究が含まれています
RSI-CB -> クラウドソース データによる大規模リモート センシング画像分類ベンチマーク。 「リモートセンシング画像分類」も参照してください。
NAIP_PoolDetection -> 物体認識問題としてモデル化されており、CNN を使用して画像がプールまたはその他のもの (具体的には道路、屋上、芝生) であることを識別します。
ResNet 深層学習アーキテクチャを使用した土地利用と土地被覆の分類 -> fastai と EuroSAT データセットを使用
ビジョン トランスフォーマーの使用例: CNN を使用しない衛星画像分類
WaterNet -> 衛星画像内の水を識別する CNN
道路ネットワーク分類 -> ResNet-34 を使用した道路ネットワーク分類モデル、有機道路クラス、格子状道路、放射状道路、パターンなし
AI を拡張して地球上のすべての学校をマッピングする
Landsat 分類 CNN チュートリアルとリポジトリ
衛星横断歩道分類
マルチラベル分類 + VGG-19、Inceptionv3、AlexNet、転移学習による Amazon 熱帯雨林の理解
土地被覆分類のための 3D-CNN モデルの実装 -> リポジトリ付きの Sundarbans データセットを使用
SSTN -> ハイパースペクトル画像分類のためのスペクトル空間変換ネットワーク: FAS フレームワーク
SatellitePollutionCNN -> ディープラーニングと GoogleMaps 衛星画像を使用して、最先端の精度で大気汚染レベルを予測する新しいアルゴリズム
PropertyClassification -> 不動産、衛星画像、ストリートビュー画像を指定して不動産のタイプを分類します。
リモートセンスクイックスタート -> アテンションの視覚化を含む、多数のデータセットの分類
複数の機械学習アルゴリズムを使用した衛星画像の分類
satsense -> HoG や NDVI などの古典的な特徴を使用した土地利用/被覆分類
PyTorch_UCMerced_LandUse
EuroSAT 画像分類
landcover_classification -> EuroSAT で fast.ai を使用する
IGARSS2020_BWMS -> 高次元 RS 画像の特徴埋め込みのための新しい CNN アーキテクチャを使用したリモート センシング画像シーン分類のためのバンドワイズ マルチスケール CNN アーキテクチャ
image.classification.on.EuroSAT -> 純粋な pytorch でのソリューション
hurricane_damage -> 航空画像に基づくハリケーン後の構造物被害評価
openai-drivendata-challenge -> ディープラーニングを使用して屋根の建築材料を分類 (南米の航空写真)
is-it-abandoned -> 航空 LIDAR 画像に基づいて家が放棄されているかどうかを判断できますか?
BoulderAreaDetector -> CNN は衛星画像が示すエリアがロック クライミング スポットであるかどうかを分類します。
ISPRS_S2FL -> 共有および特定の特徴学習モデルを使用した土地被覆分類のためのマルチモーダル リモート センシング ベンチマーク データセット
ブラジルコーヒー検出 -> 公開データセットで Keras を使用
tf-crash-severity -> 衛星画像に含まれる特定の道路フィーチャの衝突重大度を予測します
ensemble_LCLU -> リモートセンシングの土地被覆と土地利用分類のためのディープニューラルネットワークアンサンブル
cerraNet -> ブラジルのセラードでの使用と適用範囲のタイプを状況に応じて分類します。
衛星画像を使用した都市分析 -> セグメンテーションと分類の組み合わせを使用して、都市エリアを計画済みか計画外として分類します。
ChipClassification -> PlanetScope および Sentinel-2 画像の雲、影、土地被覆シーンのマルチモーダル分類のための深層学習
DeeplearningClassficationLandsat-tImages -> 大規模中解像度 Landsat 衛星画像を使用した水/氷/陸地分類
wildfire-detection-from-satellite-images-ml -> フラスコ Web アプリの例を使用して、画像に山火事が含まれているかどうかを検出します
mining-discovery-with-deep-learning -> 深層学習を使用した衛星画像での鉱山および尾鉱ダムの検出
e-ファーマースプラットフォーム -> 作物の種類を分類する
Sentinel2-deep-learning -> Sentinel-2 画像の土地分類のための新しいトレーニング方法
RSSC 転送 -> 高解像度リモート センシング シーン分類における事前トレーニングの役割
地形分類をサポートするための地理参照写真と衛星画像の分類 -> 洪水の検出
Pay-More-attention -> 拡張された注意モジュールに基づくリモート センシング画像シーン分類
改良されたクロスエントロピー損失と深層畳み込みニューラルネットワークに基づく転移学習戦略によるリモートセンシング画像分類
DenseNet40-for-HRRSISC -> リモート センシング画像シーン分類用の DenseNet40、UC Merced データセットを使用
SKAL -> シーンを詳しく見る: リモート センシング画像シーン分類のためのマルチスケール表現学習
Potsdam-tensorflow-practice -> tensorflow を使用したポツダム データセットの画像分類
SAFF -> リモートセンシングシーン分類のためのセルフアテンションベースのディープフィーチャーフュージョン
GLNET -> 晴天および曇りの環境下での畳み込みニューラル ネットワーク ベースのリモート センシング シーン分類
リモート センシング画像分類 -> pytorch を使用した転移学習により、リモート センシング データを 3 つのクラス (航空機、船舶、なし) に分類します。
Remote_sensing_pretrained_models -> ImageNet で事前トレーニングされたモデルの微調整の代替として、ここでは一部の CNN が RSD46-WHU および AID データセットで事前トレーニングされています
CNN_AircraftDetection -> keras を使用した衛星画像内の航空機検出のための CNN
OBIC-GCN -> グラフ畳み込みネットワークを使用したリモートセンシング画像のオブジェクトベースの分類フレームワーク
aitlas-arena -> 地球観測 (EO) における画像分類のための最先端の深層学習アプローチを評価するためのオープンソース ベンチマーク フレームワーク
干ばつ監視 -> ケニア北部における家畜の飼料条件の衛星ベースの予測
JSTARS_2020_DPN-HRA -> ハイパースペクトル画像分類のためのハイブリッド残留注意を備えたディープ プロトタイプ ネットワーク
SIGNA -> マルチラベル リモート センシング画像分類のためのセマンティック インターリーブ グローバル チャネル アテンション
rmldnn と Sentinel 2 データを使用した衛星画像分類
PBDL -> リモートセンシングシーン分類のためのパッチベースの判別学習
EmergencyNet -> ドローンから火災やその他の緊急事態を特定
衛星破壊 -> 衛星画像を使用して森林破壊の主な指標を特定し、Kaggle チャレンジ「宇宙からアマゾンを理解する」に適用
RSMLC -> リモート センシング画像のマルチラベル分類のための特徴抽出器としてのディープ ネットワーク アーキテクチャ
FireRisk -> 教師あり学習と自己教師あり学習を使用したベンチマークによる火災リスク評価のためのリモート センシング データセット
Flud_susceptibility_mapping -> ドイツのベルリンでデータ駆動型モデルを使用した都市洪水感受性マッピングに向けて
ティック・ティック・ブルーム -> ティック・ティック・ブルーム: 有害藻類ブルーム検出チャレンジの優勝者。課題は藻類の発生の深刻度を予測することであり、勝者は決定木を使用しました
コンピューター ビジョンを使用した衛星画像から石炭火力発電所の稼働を推定 -> Sentinel 2 データを使用して、データセットとリポジトリを使用して石炭火力発電所がオンかオフかを特定します。
建物の検出と屋根の種類の認識 -> 単一の航空写真を使用した建物の自動検出と屋根の種類の認識のための CNN ベースのアプローチ
土地利用分類のためのマルチスペクトル チャネルのパフォーマンス比較 -> RGB 上の ResNet-50、ResNet-101、ResNet-152、Vision Transformer、および EuroSAT データセットのマルチスペクトル バージョンを実装しました。
SNN4Space -> 土地被覆および土地利用分類タスクにおけるスパイキング ニューラル ネットワーク (SNN) の導入の実現可能性を調査するプロジェクト
船舶分類 -> AIS データに基づいて船舶を分類し、漁獲行動を特定します。
RSMamba -> 状態空間モデルによるリモート センシング画像分類
BirdSAT -> 鳥類の分類とマッピングのためのクロスビュー対照マスクオートエンコーダ
EGNNA_WND -> グラフニューラルネットワークを使用した西ナイル病の存在の推定
cyfi -> Sentinel-2 衛星画像に基づいてシアノバクテリア密度を推定する
(左) 衛星画像と (右) 画像内のセマンティック クラス。
画像のセグメンテーションは、画像を意味的に意味のあるセグメントまたは領域に分割することを目的とした、画像分析およびコンピューター ビジョンにおける重要なステップです。画像セグメンテーションのプロセスでは、画像内の各ピクセルにクラス ラベルを割り当て、画像をピクセルの 2D グリッドからクラス ラベルが割り当てられたピクセルの 2D グリッドに効果的に変換します。画像セグメンテーションの一般的な用途の 1 つは、道路または建物のセグメンテーションです。目的は、画像内の道路や建物を識別し、他のフィーチャから分離することです。このタスクを達成するために、道路と背景、または建物と背景を区別するように単一クラス モデルがトレーニングされることがよくあります。これらのモデルは、道路や建物の特徴である色、テクスチャ、形状などの特定の特徴を認識し、この情報を使用して画像内のピクセルにクラス ラベルを割り当てるように設計されています。画像セグメンテーションのもう 1 つの一般的な用途は、土地利用または作物の種類の分類です。この場合の目的は、画像内のさまざまな土地被覆タイプを識別してマッピングすることです。この場合、森林、都市部、農地など、画像内の複数のクラスを認識して区別するために、通常、マルチクラス モデルが使用されます。これらのモデルは、さまざまな土地被覆タイプ間の複雑な関係を認識できるため、画像の内容をより包括的に理解できるようになります。ニューラル ネットワークを使用した衛星画像のセグメンテーションの簡単な紹介をお読みください。 「ハイパースペクトル土地分類」に言及する多くの記事は、実際にはセマンティック セグメンテーションについて説明していることが多いことに注意してください。画像ソース
U-Net による不均衡な航空画像のセマンティック セグメンテーション -> ドバイ データセットの使用
TensorFlow U-Net モデルを使用したドバイ データセットのセマンティック セグメンテーション
nga-deep-learning -> NASA 研究者によって公開された、修正された U-Net と Keras を使用して、高結果の GeoTIF データに対してセマンティック セグメンテーションを実行します。
深層学習を使用した埋め立て地の自動検出
SpectralNET -> ハイパースペクトル画像分類用の 2D ウェーブレット CNN、Salinas シーン データセットと Keras を使用
laika -> このリポジトリの目標は、衛星画像データの潜在的なソースを調査し、衛星画像のセグメンテーションのためのさまざまなアルゴリズムを実装することです。
PEARL -> 正確な土地利用/土地被覆 (LULC) マップ、ブログ投稿の作成に必要な時間を大幅に短縮する人間参加型 AI ツールで、Microsoft Planetary Computer と ML モデルがブラウザーでローカルに実行されます。バックエンドとフロントエンドのコード
U-Net による土地被覆分類 -> PyTorch による衛星画像マルチクラス セマンティック セグメンテーション タスク U-Net の実装、コード付きの DeepGlobe 土地被覆セグメンテーション データセットを使用
DSTL データセット、tensorflow 1、python 2.7 を使用した U-Net を使用した衛星画像のマルチクラス セマンティック セグメンテーション。付属記事
修士論文に伴う U-Net によるマルチクラス土地被覆分類用のコードベース、Keras を使用
dubai-satellite-imagery-segmentation -> データセットが小さいため、画像拡張が使用されました
CDL セグメンテーション -> 深層学習ベースの土地被覆と作物タイプの分類: 比較研究。 UNet、SegNet、DeepLabv3+ を比較
LoveDA -> ドメイン適応型セマンティック セグメンテーション用のリモート センシング土地被覆データセット
CNN を使用した衛星画像セマンティック セグメンテーション -> 7 つの異なるセグメンテーション クラス、DeepGlobe 土地被覆分類チャレンジ データセット、リポジトリ付き
U-Net 深層学習モデルを使用した空中セマンティック セグメンテーションの媒体記事、リポジトリ付き
UNet-Satellite-Image-Segmentation -> Light UNet セマンティック セグメンテーション フレームワークの Tensorflow 実装
DeepGlobe 土地被覆分類チャレンジ ソリューション
PyTorch-Satellite-Imagery を使用したセマンティック セグメンテーション -> ハリケーン ハーベイ後の被害を評価するために撮影された RGB 画像の 25 クラスを予測します
Sentinel-2 画像によるセマンティック セグメンテーション -> LandCoverNet データセットと fast.ai を使用
CNN_Enhanced_GCN -> ハイパースペクトル画像分類のためのピクセルレベルおよびスーパーピクセルレベルの特徴融合を備えた CNN 拡張グラフ畳み込みネットワーク
LULLCMapping-WV3images-CORINE-DLMethods -> 深層学習ベースのセグメンテーション アプローチと VHR Worldview-3 画像を使用した土地利用と土地被覆マッピング
MCANet -> 土地利用分類のための光学画像と SAR 画像の共同セマンティック セグメンテーション フレームワーク。 WHU-OPT-SAR データセットを使用します
MUnet-LUC
land-cover -> 土地被覆マッピングのための深層学習アプリケーションにおけるモデルの一般化
generalizablersc -> 一般化可能な土地利用シーン分類のためのクロスデータセット学習
都市空き地の大規模自動識別 → 高解像度リモートセンシング画像のセマンティックセグメンテーションを利用した都市空き地の大規模自動識別
SSLTransformerRS -> 土地被覆のセグメンテーションと分類のための自己監視型ビジョン トランスフォーマー
空中タイル セグメンテーション -> Tensorflow 2.0 と ISPRS ベンチマーク データセットを使用した 6 つのクラスへの大規模衛星画像セマンティック セグメンテーション
LULLCMapping-WV3images-CORINE-DLMethods -> 深層学習ベースのセグメンテーション アプローチと VHR Worldview-3 画像を使用した土地利用と土地被覆マッピング
DCSA-Net -> VHR リモートセンシング画像における土地被覆分類のための動的畳み込みセルフアテンション ネットワーク
CHeGCN-CNN_enhanced_Heterogeneous_Graph -> CNN 拡張異種グラフ畳み込みネットワーク: 公園セグメンテーションのケーススタディによる土地被覆からの土地利用の推測
TCSVT_2022_DGSSC -> DGSSC: 不均衡なハイパースペクトル画像のための深い生成スペクトル空間分類器
DeepForest-Wetland-Paper -> Sentinel-1 と Sentinel-2 データ、GIScience およびリモート センシングの組み合わせを使用した湿地マッピングのための Deep Forest 分類器
Wetland_UNet -> Sentinel-2 LiDAR やジオモルフォンからのバンドを含むリモート センシング データ入力を使用して湿地の輪郭を描くことができる UNet モデル。チェサピーク保護団体の保全イノベーションセンターおよび野生生物保護者による
DPA -> DPA は、大規模な土地被覆マッピングのためにさまざまな衛星画像に適用される教師なしドメイン適応 (UDA) 手法です。
Dynamicworld -> Dynamic World、ほぼリアルタイムのグローバルな 10 m の土地利用土地被覆マッピング
spada -> Sentinel-2 画像からのまばらな注釈による土地被覆のセグメンテーション
M3SPADA -> 空間擬似ラベリングと敵対的学習による土地被覆マッピングのためのマルチセンサー時間教師なしドメイン適応
GLNet -> 超高解像度画像のメモリ効率の高いセグメンテーションのための協調的なグローバル/ローカル ネットワーク
LoveNAS -> LoveNAS: 階層検索適応型ネットワークを介したマルチシーンの土地被覆マッピングに向けて
FLAIR-2 チャレンジ -> フランス国立地理森林情報研究所 (IGN) によって提案されたセマンティック セグメンテーションとドメイン適応チャレンジ
flair-2 8位ソリューション
森林破壊の検出は、セグメンテーション タスクまたは変化検出タスクとして扱われる場合があることに注意してください。
DetecTree -> Python での航空画像からの樹木検出、航空画像からの樹木/非樹木ピクセルの LightGBM 分類子
Сrор フィールド境界検出: アプローチと主な課題 -> 歴史的および最新のアプローチをカバーする中規模の記事
kenya-crop-mask -> ケニアの年次および季節作物マッピング - ピクセルを作物を含むかどうか分類するための LSTM 分類器、および部分的な入力が与えられた場合に 12 か月の時系列を提供するマルチスペクトル予測器。 GEE からダウンロードされたデータセットとトレーニングに使用された pytorch lightning
そこでは何が成長しているのでしょうか？データ前処理、雲検出、NDVI 計算、画像拡張、高速化のための eo-learn を使用して、マルチスペクトル リモート センシング データ (Sentinel 2) から作物を識別します。
3D 畳み込みニューラル ネットワークを使用した航空機 LiDAR とハイパースペクトル データからの樹種分類
作物の種類の分類 -> U-Net + LSTM で Sentinel 1 および 2 データを使用すると、より多くの機能 (つまりバンド) とより高い解像度でより良い結果が得られました (記事、コードなし)
マスク R-CNN を使用してスポーツ フィールドを検索し、オープン ストリート マップにオーバーレイする
トーゴのクロップマスクを生成する LSTM
DeepSatModels -> クロップタイプのセマンティックセグメンテーションのためのコンテキストセルフ対比的事前トレーニング
farm-pin-crop-detection-challenge -> eo-learn と fastai を使用してマルチスペクトル リモート センシング データから作物を識別する
Sentinel-2 衛星画像からの農地の検出 -> 空間解像度 10m のオープンアクセス Sentinel-2 画像を使用して農地を分類するベンチマーク機械学習モデル、UNet-Agri を開発しました。
DeepTreeAttention -> Hang らの実装。 2020 年「注意支援 CNN によるハイパースペクトル画像分類」による樹種予測
作物分類 -> 多時間衛星画像を使用した作物分類
ParcelDelineation -> フランスのポリゴン データセットと keras の unet を使用する
クロップマスク -> 高解像度農地マップを生成するためのエンドツーエンドのワークフロー、GEE および LSTM モデルを使用
DeepCropMapping -> 動的なトウモロコシと大豆のマッピングのための空間汎化性が向上した多時間深層学習アプローチは、LSTM を使用します
NDVI と Rasterio を使用してキャノピー カバーと土壌をセグメント化する
KMeans クラスタリングを使用して、土地被覆/土地利用ごとに衛星画像をセグメント化する
ResUnet-a -> リモートで検知されたデータのセマンティック セグメンテーションのための深層学習フレームワーク
DSD_paper_2020 -> 多時間センチネル 1 データを使用した機械学習に基づく作物タイプ分類
MR-DNN -> Landsat 8 衛星画像から田んぼを抽出
deep_learning_forest_monitoring -> Sentinel-2 データとディープラーニングを使用したアフリカ大陸の森林マッピングとモニタリング
グローバル農地マッピング -> グローバル多時間農地マッピング
SAR 画像を使用した大豆畑のセマンティック セグメンテーションのための U-Net
UNet-RemoteSensing -> Landsat と keras の 7 バンドを使用
Landuse_DL -> 氷の多い永久凍土の融解による地形の輪郭を描く
キャノピー -> 畳み込みニューラル ネットワーク分類器がハイパースペクトル画像から混合針葉樹林の樹種を識別する
RandomForest-Classification -> 固定翼無人航空機を使用して泥炭地の植生群落を導き出すためのマルチセンサー データ
Forest_change_detection -> シャム、UNet-LSTM、UNet-diff、UNet3D モデルを含む時間依存モデルによる森林変化のセグメンテーション
カルティオネット -> PyTorch Geometric および PyTorch Lightning に基づいて構築された耕作地のセグメンテーション
Sentinel-tree-cover -> 中解像度の衛星画像を使用して、樹冠が閉ざされた森林の外側にある木を識別するグローバルな方法
作物タイプ検出-ICLR-2020 -> ICLR 2020のCV4Aワークショップでの作物タイプ検出コンペティションで優勝したソリューション
衛星画像を使用した作物識別 -> 中記事、作物識別入門
S4A-Models -> Sen4AgriNet データセットのさまざまな実験
attention-mechanism-unet -> 衛星センサー画像内の森林破壊を検出するためのアテンションベースの U-Net
Cocoa_plantations_detection -> KNN、SVM、ランダム フォレスト、MLP を使用した Sentinel-2 リモート センシング データを使用したコートジボワールのカカオ農園の検出
SummerCrop_Deeplearning -> 農地生態系における作物の転移可能な学習分類モデルと炭素隔離推定
DeepForest は、空中 RGB 画像から個々の樹冠をトレーニングおよび予測するための Python パッケージです
Omdena からの「衛星画像で樹木を識別する」チャレンジの公式リポジトリ
衛星画像を使用した木を数える -> 毎年の木検査のために入ってくる木と出ていく木の目録を作成し、ケラスとセマンティックセグメンテーションを使用します
2020 Nature 論文 - 西アフリカのサハラとサヘルの予想外に多数の樹木 -> U-Net と tensorflow 2 に基づく樹木検出フレームワークとコードはこちら
TreeDetection -> OpenCV を介して木の視覚的な位置特定と樹冠サイズの計算とともに、Google 画像データ内の木を検出する色ベースの分類器
PTDM -> 注意メカニズムと層間特徴融合に基づくザボンの木の検出方法
urban-tree-detection -> 高解像度マルチスペクトル画像を使用した大規模都市環境における個々の樹木検出。データセットあり
BioMasters_baseline -> BioMasters チャレンジを開始するための UNet を使用した基本的な pytorch ライトニング ベースライン (バイオマス推定)
バイオマスターズの優勝者 -> 上位 3 つのソリューション
kbrodt biomasters ソリューション -> 1 位のソリューション
quqixun バイオマスター ソリューション
バイオマス推定 -> Azavea から、Sentinel 1 および 2 に適用
3DUNetGSFormer -> 敵対的生成ネットワークと Swin トランスフォーマーを使用した複雑な湿地マッピングのための深層学習パイプライン
SEANet_torch -> セマンティックエッジ認識マルチタスクニューラルネットワークを使用してリモートセンシング画像から農業区画を描写する
アーボライザー -> 樹冠のセグメンテーションと分類
再利用 -> 炭素貯蔵および地上バイオマス推定のための回帰的 Unet
unet-sentinel -> UNet が Sentinel-1 SAR 画像を処理して森林破壊を特定する
MaskedSST -> ハイパースペクトル画像分類用のマスクされたビジョン トランスフォーマー
UNet-defmapping -> UNet を使用して Sentinel-2 レベル 2A 画像を使用して森林伐採をマッピングし、Amazon および大西洋熱帯雨林のデータセットに適用した修士論文
cvpr-multiearth-deforestation-segmentation -> マルチモーダル Unet による CVPR Multiearth 2023 森林破壊チャレンジへのエントリー
supervised-wheat-classification-using-pytorchs-torchgeo -> torchgeo を使用した教師付き小麦分類
TransUNetplus2 -> TransU-Net++: 森林伐採マッピングのためのアテンションゲート型 TransU-Net を再考します。アマゾンと大西洋の森林データセットを使用します
地球の高解像度キャノピー高さモデル -> 地球の高解像度キャノピー高さモデル
Radiant Earth Spot the Crop Challenge -> Radiant Earth Spot the Crop Challenge の優勝モデルは、時系列の Sentinel-2 マルチスペクトル データを使用して、南アフリカの西ケープ州の作物を分類します。別の解決策
transfer-field-delineation -> 限られたラベルを持つ衛星画像内の作物圃場境界のセグメンテーションのためのマルチリージョン転移学習
mowing-detection -> センチネル画像から草刈りや放牧を自動検出
PTAViT3D および PTAViT3DCA -> ふわふわした雲への取り組み: S2 および/または S1 画像の時系列を使用したフィールド境界検出
ai4boundaries -> AI4boundaries データセットのダウンロードを容易にする Python パッケージ
pytorch-waterbody-segmentation -> Kaggle の水域の衛星画像データセットでトレーニングされた UNET モデル。モデルはHugging Face Spacesに展開されています
バックボーンとして Resnet-34 を使用した UNET を使用したフラッドの検出と分析では、fastai を使用します
深層学習を使用した衛星画像からの自動洪水検出
UNSOAT は、fastai を使用して、衛星画像に対してセマンティック セグメンテーションを実行して水を検出するように Unet をトレーニングしました。
高解像度航空画像の半教師あり分類とセグメンテーション - FloodNet 問題の解決
Houston_flooding -> ハリケーン ハーベイのデータを使用して、各ピクセルに浸水したかどうかのラベルを付けます。データセットは洪水前後の画像で構成され、人間クラスターの検証/調整を伴う画像ピクセルの教師なしクラスタリング (DBScan による) を使用してグランド トゥルースの洪水マスクが作成されました。
ml4floods -> ML でフラッディングに対処するためのデータ、モデル、コード パイプラインのエコシステム
ETCI フラッド検出コンテストを始めるための包括的なガイド -> Sentinel1 SAR と pytorch の使用
SageMaker を使用して SAR 画像の洪水をマッピング -> Sentinel-1 データセットに適用
STAC Overflow の第 1 位のソリューション: Microsoft AI for Earth がホストするレーダー画像から洪水をマップ -> Unet と Catboostclassifier を組み合わせて、平均ではなく最大値を取得します。
hydra-floods -> リモート センシング データから得られた地表水マップをダウンロード、処理、配信するためのオープンソース Python アプリケーション
CoastSat -> セグメンテーション モデルを使用した拡張 CoastSeg を持つ海岸線をマッピングするためのツール
Satellite_Flood_Segmentation_of_Harvey -> 深層学習と従来の kmeans の両方を調査します
衛星画像を活用した洪水検知
ETCI-2021-Competition-on-Flood-Detection -> 周期的な擬似ラベリングとノイズの多い学生トレーニングを使用した Sentinel-1 SAR 画像の洪水セグメンテーションの実験
FDSI -> 衛星画像のフラッド検出 - 2017 マルチメディア衛星タスク
deepwatermap -> マルチスペクトル画像上で水をセグメント化する深層モデル
rivamap -> 自動化された河川分析およびマッピング エンジン
深海 -> 水位の変化を追跡する
WatNet -> Sentinel-2 画像に基づく地表水マッピング用の深い ConvNet は、地球表層水データセットを使用します
AU-Net-for-Flood-Extent-Mapping
floatobjects -> SENTINEL を使用した学習された空間特徴を使用した地球規模の浮遊物体検出に向けて 2. U-Net と pytorch を使用
SpaceNet8 -> 浸水した道路や建物を検出するベースライン Unet ソリューション
dlsim -> 洪水と土石流のマッピングのためのシミュレーションとディープラーニングによるリモートセンシングの限界の突破
Water-HRNet -> Sentinel 2 でトレーニングされた HRNet
チェサピーク自然保護区が提供する NAIP 画像を使用して、新たに開発された土地や浸水した土地を識別するセマンティック セグメンテーション モデル (MS Azure でトレーニング)
BandNet -> 機械学習を使用した水セグメンテーションのためのマルチスペクトル データの分析と応用。 Sentinel-2 データを使用
mmflood -> MMFlood: 衛星画像からの洪水描写のためのマルチモーダル データセット (Sentinel 1 SAR)
Urban_flooding -> ドイツ、ベルリンの都市多雨洪水の水深を予測するための転送可能なデータ駆動型モデルに向けて
衛星画像を使用したフラッド マッピング -> ランダム フォレストと Unet を比較する修士論文
MECNet -> 非常に高解像度の航空写真や衛星画像から水域をセグメンテーションするための豊富な CNN 機能
SWRNET -> 衛星に搭載された小規模表層水域認識のための深層学習アプローチ
elwha-segmentation -> Meta の Segment Anything (SAM) を微調整して、Medium 記事を使用して鳥瞰図の川のピクセル セグメンテーションを実現します。
RiverSnap -> 論文のコード: 近距離リモート センシング画像における河川水セグメンテーションのための人気の深層学習モデルとセグメント何でもモデル (SAM) の比較パフォーマンス分析
SatelliteVu-AWS-Disaster-Response-Hackathon -> 従来の ML と深層学習を使用した延焼予測
Databricks と Keras、セマンティック セグメンテーションでトレーニングされた U-Net を使用した山火事の検出
Sentinel-2 と VIIRS を使用した高解像度焼け跡モニタリングの実用的な方法
AI 地理空間山火事リスク予測 -> 地理空間ラスター データを使用し、Unet を使用して米国本土にわたる山火事の危険性の可能性を評価する予測モデル
IndustrialSmokePlumeDetection -> Sentinel-2 と修正された ResNet-50 を使用
焼けた領域の検出 -> Sentinel-2 を使用
救助 -> 火災への注意: 山火事の深刻度予測のためのマルチチャネルディープラーニングモデル
スモークセグメンテーション -> 煙プルームをセグメント化し、GOES 画像から密度を予測する
wildfire-detection -> Vision Transformers を使用して衛星画像での山火事検出を強化
Burned_Area_Detection -> Sentinel-2 データによる焼けたエリアの検出
焼失地域ベースライン -> 衛星焼失地域データセットに付随するベースライン unet モデル (センチネル 1 および 2)
burn-area-seg -> マルチタスク学習を使用した Sentinel-2 からの焼損領域のセグメンテーション
chabud2023 -> 焼損領域描写 (ChaBuD) ECML/PKDD 2023 チャレンジの変更検出
Siamese-UNet を使用した山火事後の火災検出 -> Chadbud データセット上
vit-burned-detection -> 火傷領域の視覚トランスの描写
地すべり-sar-unet -> 合成開口レーダー (SAR) データキューブを使用した迅速な地滑り検出のための深層学習
sinners-mapping-with-cnn -> 一般化畳み込みニューラル ネットワークを使用して地滑りをマッピングする新しい戦略
rirect_landslides_cnn_kmeans-> K-Meansクラスタリングアルゴリズムと深い学習セマンティックセグメンテーションモデルの組み合わせを使用して、熱帯雨林地域でのRelict Slide検出
Randslide-Mapting-on-sar-data-by-attention-u-net->注意u-netによるSARデータ上の地滑りの迅速なマッピング
sar-landslide-retection-pretraining-> sarベースの地滑り分類事前削除は、より良いセグメンテーションにつながります
Sentinel-2画像からの変更検出による地滑りマッピング
HED -UNET->同時セマンティックセグメンテーションとエッジ検出のモデル、例を挙げた例は、氷河の正面とインリアの空中画像ラベル付けデータセットを使用したフットプリントの構築です
glacier_mapping->ヒンドゥー教のクシュヒマラヤのマッピング氷河、landsat 7画像、氷河のシェイプファイルラベル、ドロップアウトとUnet
Glacier-Detect-ML-> Landsat衛星画像で氷河を識別する単純なロジスティック回帰モデル
Glaciersemanticsegemation
南極崩壊検出 - >南極のモジックモザイクでUNETを使用して表面骨折を検出する
開いた埋め立て地の検出 - > Sentinel -2を使用して、正規化された火傷比（NBR）の大きな変化を検出します
SEA_ICE_REMOTE_SENSING->海氷濃度分類
メタン検出-FROM-HYPERSPECTRAL-IMAGERY->オーバーヘッドハイパースペクトル画像におけるメタン検出のための深いリモートセンシング方法
メタン排出 - プロジェクト - >分類CNNはアンサンブルアプローチで結合され、表形式データ上の従来の方法
ch4net->センチネル2を使用したメタンプルームを検出するための高速でシンプルなモデル
eddynet->海洋渦のピクセルごとの分類のための深いニューラルネットワーク
住血吸虫 - >衛星画像の深い学習セグメンテーションは、アフリカのセネガルの住血吸虫症のカタツムリ中間宿主に関連する水生植生を識別します
Earthformer->アースシステム予測用の時空変圧器の探索
weather4cast-2022-> unet-3dベースラインモデルのためのベースラインモデル4キャスト雨ムービー予測競争
WeatherFusionNet->衛星データからの降水量の予測。 Weather4Cast-2022 1位のソリューション
Marinedebrisdetector->センチネル2沿いの沿岸地域での海洋破片の大規模な検出
Kaggle-Identify-Contrails-4th-> 4th Place Solution、Google Research-地球温暖化を減らすためのコメントを特定する
MineSegsat-> Sentinel -2画像からのマイニング乱れたエリア範囲を評価する自動化されたシステム
STARCOP：ハイパースペクトル機械学習モデルを使用したメタンプルームのセマンティックセグメンテーション
ASOS->解釈可能な機械学習と衛星画像を使用した景観の保護された人為的パターンの認識
他のオブジェクトや複雑な交通環境によって引き起こされる閉塞のために、道路を抽出することは困難です
Chesapeakersc->セグメンテーションバックグラウンドから道路を抽出するセグメンテーションですが、「道路上のツリーキャノピー」クラスでのパフォーマンスによってさらに評価されます
マサチューセッツ州道路データセット、U-Net＆Kerasを使用したデータ拡張のセマンティックセグメンテーションと記事を使用した道路検出。コード付き
ml_epfl_project_2-> pytorchでu -net衛星画像上の道路のセマンティックセグメンテーションを実行する
u-net keras、OSMデータ、学生によるプロジェクト要約記事を使用した道路のセマンティックセグメンテーション、コードなし
SpaceNet Road Detection and Routing Challengeからの勝利ソリューション
RoadVecnet->データセットを使用したKerasのRoad-Network-Segmentation-and-Vectorization
道路と道路の種類の検出jupyterノートブック
Awesome-Deep-Map->マッピング用のディープラーニング /コンピュータービジョンアルゴリズムに特化したリソースのキュレーションリスト。マッピングの問題には、道路ネットワークの推論、フットプリント抽出の構築などが含まれます。
RoadTracer：航空画像からの道路ネットワークの自動抽出 - > CNNベースの決定関数によって導かれた反復検索プロセスを使用して、CNNの出力から道路ネットワークグラフを直接導出する
ROAD_DETECTION_MTL->マルチタスク学習手法を使用した道路検出事前知識の制約を組み込むことにより、道路検出タスクのパフォーマンスを改善するには、SpaceNet Roads Datasetを使用します
ROAD_CONNECTIVITY->オリエンテーションとセグメンテーションの共同学習による道路接続の改善（CVPR2019）
古典的な画像処理を使用したロードネットワーク抽出 - > Blur＆Canny Edge検出
spin_roadmapper->空間および相互作用スペースを介して航空画像から道路を抽出しますグラフ自律運転の推論
ROAD_EXTRACTION_REMOTE_SENSING-> Pytorch実装、CVPR2018 Deepglobe Road Extraction Challenge Submission。 Deepglobe-Road-Extraction-Challengeも参照してください
MicrosoftによるRoadDetectionsデータセット
Coanet->衛星画像からの道路抽出のための接続注意ネットワーク。 COAモジュールにはグラフィカル情報が組み込まれており、道路の接続性がよりよく保存されていることを確認してください
衛星画像の道路セグメンテーション - > Kaggle Massachusetts Roads Datasetを使用した媒体のイントロアーチキュール
ラベルピクセル - >道路やその他の機能のセマンティックセグメンテーション用
衛星イメージ - ロード抽出 - >深い残留U-Netによる道路抽出
road_building_extraction-> pytorch道路および建物の抽出用のu -netアーキテクチャの実装
rcfsnet->道路のコンテキストとフルステージの機能による衛星画像からの道路抽出
SGCN->高解像度のリモートセンシング画像からの複雑な環境での道路抽出のためのスプリット深さごとの分離可能なグラフボリューションネットワーク
ASPN->敵対的な空間ピラミッドネットワークを使用したリモートセンシング画像のためのロードセグメンテーション
fcns-for-extraction-keras->さまざまなセマンティックセグメンテーションネットワークに基づく高解像度のリモートセンシング画像の道路抽出
cresi->衛星画像からの道路ネットワーク抽出、速度と移動時間の推定値付き
D -LinkNet->高解像度の衛星画像抽出のための前提条件のエンコーダーと拡張畳み込みを備えたLinkNet
sat2graph->グラフテンソルエンコーディングによる道路グラフ抽出
画像セグメンテーション） - >マサチューセッツロードデータセットとfast.aiを使用します
CNNベースのセグメンテーションとトレースを使用した衛星画像からの道路ネットワーク抽出
scroadextractor->リモートセンシング画像からの路面抽出のための落書きベースの弱い監視された深い学習
Roadda->リモートセンシング画像の道路セグメンテーションのための敵対的な自己トレーニングを伴う段階的に監視されていないドメイン適応
deepsegmentor-> deepcrackおよびroadnetプロジェクトのPytorch実装
リモートセンシング画像からの残留注意強化道路抽出
nl-linknet->非ローカル操作を使用したより軽いがより正確な道路抽出に向けて
IRSR -NET->軽量リモートセンシングロード検出ネットワーク
HiroNex->履歴マップからの歴史的道路ネットワークの自動、完全に監視されていない抽出のためのPythonツール
road_detection_model->ブラジルのアマゾンのマッピング道路と人工知能とセンチネル2
DTNET->架橋グラフ融合モジュールに基づくデュアルタスクネットワークを介した道路検出
自動 - 歴史的マップからの自動抽出 - ディープラーニングテクニック - >ディープラーニングテクニックを使用した履歴マップからの自動道路抽出
ISTANBUL_DATASET-> ISTANBUL、INRIA、MASSACHUSETTSデータセットのセグメンテーション
道路セグメンテーション - > CNN（U-NetsおよびFCN8）およびロジスティック回帰を使用した衛星画像の道路セグメンテーション
d -linknet-> deepglobe道路抽出チャレンジにおける1位のソリューション
Park-detect-> park-detect：パッチごとのキーポイント検出による効率的なマルチタスク衛星画像抽出に向けて
tile2net->ウォークのマッピング：空中画像から歩道ネットワークデータセットを生成するためのスケーラブルなコンピュータービジョンアプローチ
aeriallanenet->空中画像からレーンレベルの建物マップは、空中レーン（AEL）データセットを紹介します：レーン検出用に構築された最初の大規模な空中画像データセット
SAM_ROAD->セグメントは、航空画像からの大規模でベクトル化された道路ネットワーク抽出のためのモデル（SAM）のすべてのモデル（SAM）。
lrdnet->マルチスケール畳み込み注意ネットワークと結合デコーダーヘッドに基づく軽量の道路検出アルゴリズム
接続性とセグメンテーションの共同学習による道路ネットワークの細かい抽出 - > SpaceNet 3データセットを使用します
衛星画像の道路と建物のセマンティックセグメンテーションは、マサチューセッツの道路データセットとケラスでu-netを使用しています
空中写真 - >データセット作成を使用して不正な構造を見つけます
srbuildseg->低解像度の衛星画像を作成するリボーン：超解像度の構築抽出のための深い学習アプローチ
挑戦的なspaceNet7データセットでFastaiを使用したフットプリント検出の構築は、u-net＆fastaiを使用します
pix2pix-for-semantic-segment-of-satellite-images-> pix2pix ganネットワークを使用して、衛星画像から建物のフットプリントをセグメント化すると、tensorflowを使用します
spaceNetunet->ベースラインモデルはu -netのように、kerasを使用してSpaceNet Vegasデータに適用されます
自動ビルディング検出 - >入力：非常に高い解像度（<= 0.5 m/ピクセル）RGB衛星画像。出力：デジタルマップ製品で使用するベクター形式の建物（Geojson）。 RobosatとRobosat.Pinkの上に建てられました。
project_sunroof_india-> Google衛星画像を分析して、個々の家の屋上の太陽光発電の可能性に関するレポートを生成するため、さまざまな古典的なコンピュータービジョン技術（キャニーエッジ検出）を使用して屋根をセグメント化します。
共同体とネットワークのための共通と抽出のための共通ネットワーク
アフリカの建物のマッピングを衛星画像：Google AIブログ投稿。オープンビルディングデータセットを参照してください
NZ_CONVNET->ニュージーランドの画像のためのU -Netベースのコンボネット構築の概要を分類する
polycnn->リモートセンシング画像分類のためのポリゴンのエンドツーエンド学習
UNETを使用したMotokimuraによるSpaceNet_Building_Detectionソリューション
VEC2INSTANCE-> SpacENETチャレンジAOI 2（VEGAS）ビルディングフットプリントデータセット、TensorFlow v1.12に適用される
reartakedAmageTection-> kerasを使用して、各ビルドの衛星画像とダメージ分類からの建物のセグメンテーション
Fuweifu-Vtoo-> PytorchとMassachusetts Buildings＆Roads Datasetsによるセマンティックセグメンテーションリポジトリ
Amazon Sagemakerを使用したAWSオープンデータから建物や道路を抽出 - >リポジトリ
tf -segnet-> airnetはSEGNETに基づくセグメンテーションネットワークですが、いくつかの変更があります
RGB-FootPrint-Extract-> RGB衛星画像を使用した都市規模の建物のフットプリント抽出のためのセマンティックセグメンテーションネットワーク、拡張RESNET C42バックボーンを備えたdiredlavv3+モジュール
SpaceNetExploration-> A Smantic Segmentationモデルを使用して、衛星画像から構築フットプリントを抽出する方法を示すサンプルプロジェクト。 SpaceNetチャレンジからのデータ
屋上インスタンスセグメンテーション - > VGG-16、インスタンスセグメンテーションは、Airsデータセットを使用します
ソーラーファームマッピング - >インドの太陽エネルギーの場所の人工知能データセット
家禽カフォス - >このレポは、高解像度の航空画像から家禽の納屋を検出するためのコードと、米国上の予測された納屋の付随するデータセットを含んでいます
SSAI -CNN->これは、彼のマサチューセッツロード＆ビルディングデータセットでのVolodymyr Mnihの論文方法の実装です
リモートセンシングビルディング抽出から3Dモデルを使用して、パドルとグラスホッパー
セグメンテーション - 強化 - レスネット - >修正された残差U-Net（修正復元）を使用し、ポストプロセッシングを適用して、大jeon地域での都市建築抽出
Nadir Building DetectionからのSPACENET用のRCNNをマスクします
GRSL_BFE_MA->新しい損失関数を使用して、不足している注釈が不足している深い学習ベースの建築フットプリント抽出
fer -cnn->より高速なエッジ領域の畳み込みニューラルネットワークを使用した衛星画像の建物の検出、分類、境界正規化
Unet-image-segmentation-satellite-picture-> unet crowed aiマッピングデータセットのルーフトップを予測するには、kerasを使用します
Vector-map-generation-from-aerial-imagery-using-rearning-rearning-geospatial-unet->非常に大きいサイズ> 10k x 10kピクセルの地理参照画像に適用される
建物のフットプリントセグメンテーション - >マサチューセッツ州の建物に適用される衛星および空中画像の建物のフットプリントセグメンテーションをトレーニングするためのPIPインストール可能なライブラリ。
semsegBuildings-> fast.aiフレームワークを使用するプロジェクトINRIAビルディングセグメンテーションデータセットのセマンティックセグメンテーション
fcnn -example->家を検出するために特定の単一画像に過剰網目される
sat2lod2->衛星画像を入力として撮影し、lod2ビルディングモデルを出力として返すオープンソースのPythonベースのGui対応ソフトウェア
satfootprint-> SpaceNet 7データセットの構築セグメンテーション
建物検出 - >ラテンアメリカの3つの都市の衛星画像からの建物を検出するためのモデルをトレーニングするラスタービジョン実験
マルチビルディング - トラッカー - >ディープラーニングを使用した衛星画像用のマルチターゲットビルディングトラッカー
建物の抽出のための境界拡張セマンティックセグメンテーション
バイナリセマンティックセグメンテーションのためのKerasコード
SPACENETビルディング検出
LGPNET-BCD->ローカルグローバルピラミッドネットワークとクロスタスク転送学習戦略を介したVHRリモートセンシング画像の構築変更検出
mtl_homoscedastic_srb->フットプリントセグメンテーションを構築するためのマルチタスクディープラーニングフレームワーク
UNET_CNN-> UNETモデルへのリモートセンシングデータを使用してボストンの建物カバレッジをセグメント化するには、ケラスを使用します
fdanet->非常に高解像度の光学式センシング画像での構築抽出のためのフルレベルドメイン適応
CBRNET->リモートセンシング画像からの構築抽出のための粗からファインの境界洗練ネットワーク
aslnet-> VHRリモートセンシング画像での構築抽出のための敵対的な形状学習
brrnet->高解像度のリモートセンシング画像からの自動ビルディング抽出のための完全畳み込みニューラルネットワーク
マルチスケールフィルタリングビルディングインデックス - >非常に高い解像度の衛星画像での建築抽出のためのマルチスケールフィルタリングビルディングインデックス
リモートセンシングのモデル - >構築検出に適用されるUNETなどの長いリストなど
boundary_loss_for_remote_sensing->リモートセンシング画像セマンティックセグメンテーションの境界損失
オープンシティAIチャレンジ - >災害の回復力のための建物のセグメント化。 Githubでの勝利ソリューション
mapnet->マルチアベストレーションパスニューラルネットワークリモートセンシング画像からフットプリント抽出を構築するためのニューラルネットワーク
デュアルHRNET->建物のローカライズとダメージレベルの分類
esfnet->高解像度の航空画像から抽出を構築するための効率的なネットワーク
屋上検出-Python->低解像度の衛星画像から屋上を検出し、古典的なコンピュータービジョン技術を使用して栽培とソーラーパネルの分割払いの領域を計算します
keras_segmentation_models->オープンベクターベースの空間データを使用して、ラスターデータのセグメンテーションを構築するためのセマンティックデータセットを作成します
cvcmffnet-> INSAR画像のセマンティックセグメンテーションを構築するための複雑な値の畳み込み融合融合ネットワーク
Steb-unet->抽出用のU字型ネットワークに統合されたSwin Transformerベースのエンコーディングブースター
DFC20_BASELINE-> IEEE GRSSデータフュージョンコンテストのベースラインソリューション2020。Sentinel-1およびSentinel-2画像から土地被覆ラベルを予測する
さまざまなデータセットに基づいて複数のセグメンテーションモデルを単一のエッジ展開可能なモデル - >屋根、車、道路セグメンテーションに融合する
Ground-Truth-Gan-Segmentation-> PIX2PIXを使用して、建物のフットプリントをセグメント化します。使用されるデータセットはAirsです
UNICEF -GIGA_SUDAN-> UNETセグメンテーションモデルを使用して、スーダン南部の衛星画像から学校のロットを検出する
Building_footprint_extraction->プロジェクトは、Googleから衛星画像を取得し、U -NETを使用してフットプリント抽出を実行します。
プロジェクトの正規化 - >敵対的および正規化された損失を使用した衛星画像の建物の境界の正規化
polyworldpretrainedenetwork->衛星画像のグラフニューラルネットワークを使用した多角形の建物抽出
dl_image_segmentation->スラムのマッピングと監視のための不確実な解釈可能な深い学習。シャップを使用します
UBC-DATASET->個々の建物のオブジェクトレベルの解釈に焦点を当てた、非常に高解像度の衛星画像からの建築検出と分類のためのデータセット
UNETFORFOR->リモートセンシングの都市シーンの画像の効率的なセマンティックセグメンテーションのためのUNETのような変圧器
bes-net->境界強化セマンティックコンテキストネットワーク高解像度画像セマンティックセグメンテーションのためのネットワーク。 VaihingenおよびPotsdamデータセットに適用されます
CVNET->建物の抽出のための輪郭振動ネットワーク
CFENET-> Aコンテキスト機能高解像度のリモートセンシング画像からの抽出を構築するための機能強化ネットワーク
hisup->衛星画像の建物の正確なポリゴナルマッピング
BuildingExtraction->スパーストークントランスを使用したリモートセンシング画像からの構築抽出
CrossGeonet->ラベルスカースの地理的地域のフットプリント生成のためのフレームワーク
AFM_BUILDING->アトラクションフィールド表現を備えた畳み込みニューラルネットワークによるフットプリント生成の構築
ランプ（マイクロプランニングのための複製可能なAI） - >低所得および中所得国での建築検出
建物インスタンスセグメンテーション - >マルチモーダル機能融合ネットワークビルディングインスタンス抽出用の適応センターポイント検出器
CGSANET->非常に高解像度のリモートセンシング画像から正確な建物抽出のための輪郭ガイドおよびローカル構造認識エンコーダー - デコーダーネットワーク
Building-Footprints-Update-> Bitemporal Remote Sensing画像からのカラー分布を学習して、既存の建物のフットプリントを更新します
ランプ - >モデルと建物のデータセットは、さまざまな人道的ユースケースをサポートするためのデータセット
Thesis_semantic_image_segmentation_on_satellite_imagery_using_unets->このマスター論文は、spaceNetチャレンジ1データセットの衛星画像で建物のセマンティックセグメンテーションを実行することを目的としています。
HD-NET->深く監視された身体と境界分解によるフットプリント抽出を構築するための高解像度分離ネットワーク
ルーフセンス - >空中画像とレーザースキャンデータ融合を使用したオランダの建物ストックの自動屋根材材料分類のための新しいディープラーニングソリューション
IBS-AQSNET->高解像度のリモートセンシング画像におけるインタラクティブな建物セグメンテーションのための強化された自動品質評価ネットワーク
deepmao->衛星画像におけるセグメンテーションを構築するための深いマルチスケールの認識過剰完全ネットワーク
Deep-Rearning-for-Solar-Panel-認識 - > Yolov5を使用したオブジェクト検出とUNETセグメンテーションの両方を使用する
Deepsolar->米国で太陽展開データベースを効率的に構築する機械学習フレームワーク。 Kaggleのデータセットでは、実際に分類にCNNを使用し、アクティベーションマップにしきい値を適用することでセグメンテーションが取得されます。元のコードはTF1ですが、TF2/KERSとPytorchの実装が利用可能です。また、チェックアウトの視覚化と詳細な分析..バージニア州とディープソーラートラッカーでの太陽エネルギーの採用を説明できる要因：ディープラーニングベースの分散PVマッピングの精度のオープンソースデータを使用した監視されていない評価に向けて
hyperion_solar_net-> GoogleマップからのRGB画像に関するトレーニング済みのクラシフィタンとセグメンテーションモデル
3D-PV-Locator-> 3Dの屋上に取り付けられた太陽光発電システムの大規模検出
PV_Pipeline->ドイツのディープソーラー
ソーラーパネル検出 - > segnetを使用、f
