techniques
General tidy up
A aprendizagem profunda revolucionou a análise e interpretação de imagens aéreas e de satélite, abordando desafios únicos, como vastos tamanhos de imagem e uma ampla variedade de classes de objetos. Este repositório fornece uma visão geral exaustiva de técnicas de aprendizagem profunda especificamente adaptadas para processamento de imagens aéreas e de satélite. Abrange uma variedade de arquiteturas, modelos e algoritmos adequados para tarefas importantes como classificação, segmentação e detecção de objetos.
Como usar este repositório: use Command + F (Mac) ou CTRL + F (Windows) para pesquisar nesta página, por exemplo, 'SAM'
O conjunto de dados merced UC é um conjunto de dados de classificação bem conhecido.
A classificação é uma tarefa fundamental na análise de dados de sensoriamento remoto, onde o objetivo é atribuir um rótulo semântico a cada imagem, como 'urbano', 'floresta', 'terreno agrícola', etc. conhecida como classificação em nível de imagem. No entanto, em alguns casos, uma única imagem pode conter vários tipos diferentes de cobertura do solo, como uma floresta atravessada por um rio ou uma cidade com áreas residenciais e comerciais. Nestes casos, a classificação ao nível da imagem torna-se mais complexa e envolve a atribuição de vários rótulos a uma única imagem. Isto pode ser conseguido usando uma combinação de extração de características e algoritmos de aprendizado de máquina para identificar com precisão os diferentes tipos de cobertura do solo. É importante observar que a classificação em nível de imagem não deve ser confundida com a classificação em nível de pixel, também conhecida como segmentação semântica. Enquanto a classificação em nível de imagem atribui um único rótulo a uma imagem inteira, a segmentação semântica atribui um rótulo a cada pixel individual de uma imagem, resultando em uma representação altamente detalhada e precisa dos tipos de cobertura do solo em uma imagem. Leia Uma breve introdução à classificação de imagens de satélite com redes neurais
Classificação de terreno em dados do Sentinel 2 usando um algoritmo de cluster sklearn simples ou CNN de aprendizagem profunda
Classificação multi-etiqueta de fotos de satélite da Floresta Amazônica usando keras ou FastAI
EuroSat-Satellite-CNN-and-ResNet -> Classificação de conjuntos de dados de imagens personalizados criando redes neurais convolucionais e redes residuais do zero com PyTorch
Detecção de assentamentos informais a partir de imagens de satélite usando ajuste fino do classificador ResNet-50 com repo
Land-Cover-Classification-using-Sentinel-2-Dataset -> artigo médio bem escrito que acompanha este repositório, mas usando o conjunto de dados EuroSAT
Classificação da cobertura terrestre de imagens de satélite usando redes neurais convolucionais usando Keras e um conjunto de dados multiespectrais capturados em campos de vinhedos de Salinas Valley, Califórnia
Detecção de desmatamento a partir de imagens de satélite -> usando FastAI e ResNet50, com repo fsdl_de Forest_detection
Rede neural para classificação de dados de satélite usando Tensorflow em Python -> Um guia passo a passo para classificação de dados multiespectrais Landsat 5 para previsão de classe binária construída/não construída, com repo
Mapeamento de favelas da rede CNN pré-treinada em imagens VHR (Plêiades: 0,5m) e MR (Sentinel: 10m)
Comparação de ambientes urbanos usando imagens de satélite e redes neurais convolucionais -> inclui um estudo interessante dos recursos de incorporação de imagens extraídos para cada imagem no conjunto de dados Urban Atlas
RSI-CB -> Um benchmark de classificação de imagens de sensoriamento remoto em grande escala por meio de dados crowdsource. Veja também Classificação de imagens de sensoriamento remoto
NAIP_PoolDetection -> modelado como um problema de reconhecimento de objetos, uma CNN é usada para identificar imagens como sendo piscinas ou qualquer outra coisa - especificamente uma rua, telhado ou gramado
Classificação de uso e cobertura do solo usando uma arquitetura de aprendizado profundo ResNet -> usa fastai e o conjunto de dados EuroSAT
Caso de uso de transformadores de visão: classificação de imagens de satélite sem CNNs
WaterNet -> uma CNN que identifica água em imagens de satélite
Classificação de rede rodoviária -> Modelo de classificação de rede rodoviária usando ResNet-34, classes de estradas orgânicas, grade, radial e sem padrão
Dimensionando a IA para mapear todas as escolas do planeta
Tutorial CNN de classificação Landsat com repo
classificação de faixa de pedestres por satélite
Compreendendo a Floresta Amazônica com Classificação Multi-Rótulo + VGG-19, Inceptionv3, AlexNet e Transfer Learning
Implementação do modelo 3D-CNN para classificação de cobertura do solo -> utiliza o conjunto de dados Sundarbans, com repo
SSTN -> Rede de transformadores espectrais-espaciais para classificação de imagens hiperespectrais: uma estrutura FAS
SatellitePollutionCNN -> Um novo algoritmo para prever os níveis de poluição do ar com precisão de última geração usando aprendizado profundo e imagens de satélite do GoogleMaps
PropertyClassification -> Classificando o tipo de imóvel dado Imóveis, imagens de satélite e Street view
início rápido de sensor remoto -> classificação em vários conjuntos de dados, inclusive com visualização de atenção
Classificação de imagens de satélite usando vários algoritmos de aprendizado de máquina
satsense -> classificação de uso/cobertura da terra usando recursos clássicos, incluindo HoG e NDVI
PyTorch_UCMerced_LandUse
Classificação de imagem EuroSAT
landcover_classification -> usando fast.ai no EuroSAT
IGARSS2020_BWMS -> Arquitetura CNN multiescala em banda para classificação de cenas de imagens de sensoriamento remoto com uma nova arquitetura CNN para incorporação de recursos de imagens RS de alta dimensão
image.classification.on.EuroSAT -> solução em pytorch puro
furacão_damage -> Avaliação de danos estruturais pós-furacão com base em imagens aéreas
openai-drivendata-challenge -> Usando aprendizagem profunda para classificar o material de construção de telhados (imagens aéreas da América do Sul)
está abandonado -> Podemos dizer se uma casa está abandonada com base em imagens aéreas LIDAR?
BoulderAreaDetector -> CNN para classificar se uma imagem de satélite mostra que uma área seria um bom local para escalada ou não
ISPRS_S2FL -> Conjuntos de dados de referência de sensoriamento remoto multimodal para classificação de cobertura do solo com um modelo de aprendizagem de recursos específicos e compartilhados
Brazilian-Coffee-Detection -> usa Keras com conjunto de dados público
tf-crash-severity -> prever a gravidade do acidente para determinadas características da estrada contidas em imagens de satélite
ensemble_LCLU -> Conjuntos de redes neurais profundas para sensoriamento remoto de cobertura e classificação de uso da terra
cerraNet -> classificar contextualmente os tipos de uso e cobertura no Cerrado brasileiro
Análise urbana usando imagens de satélite -> classificar a área urbana como planejada ou não planejada usando uma combinação de segmentação e classificação
ChipClassification -> Aprendizado profundo para classificação multimodal de cenas de nuvens, sombras e cobertura de terra em imagens PlanetScope e Sentinel-2
DeeplearningClassficationLandsat-tImages -> Classificação de água/gelo/terreno usando imagens de satélite Landsat em grande escala e resolução média
wildfire-detection-from-satellite-images-ml -> detecta se uma imagem contém um incêndio florestal, com exemplo de aplicativo da web flask
mineração-descoberta com aprendizado profundo -> Detecção de mineração e barragens de rejeitos em imagens de satélite usando aprendizado profundo
Plataforma e-Farmerce -> classificar tipo de cultura
sentinel2-deep-learning -> Novas metodologias de treinamento para classificação de terrenos de imagens do Sentinel-2
Transferência RSSC -> O papel do pré-treinamento na classificação de cenas de sensoriamento remoto de alta resolução
Classificação de fotos georreferenciadas e imagens de satélite para apoiar a classificação do terreno -> detectar inundações
Preste mais atenção -> Classificação de cenas de imagens de sensoriamento remoto com base em um módulo de atenção aprimorada
Classificação de imagens de sensoriamento remoto por meio de estratégia aprimorada de perda de entropia cruzada e aprendizagem por transferência com base em redes neurais convolucionais profundas
DenseNet40-for-HRRSISC -> DenseNet40 para classificação de cenas de imagens de sensoriamento remoto, usa UC Merced Dataset
SKAL -> Olhando mais de perto a cena: aprendizagem de representação multiescala para classificação de cenas de imagens de sensoriamento remoto
potsdam-tensorflow-practice -> classificação de imagens do conjunto de dados Potsdam usando tensorflow
SAFF -> Fusão de recursos profundos com base em autoatenção para classificação de cenas de sensoriamento remoto
GLNET -> Classificação de cenas de sensoriamento remoto baseada em redes neurais convolucionais em ambientes claros e nublados
Classificação de imagens de sensoriamento remoto -> transferência de aprendizagem usando pytorch para classificar dados de sensoriamento remoto em três classes: aeronaves, navios, nenhum
remote_sensing_pretrained_models -> como alternativa ao ajuste fino em modelos pré-treinados no ImageNet, aqui alguns CNN são pré-treinados nos conjuntos de dados RSD46-WHU & AID
CNN_AircraftDetection -> CNN para detecção de aeronaves em imagens de satélite usando keras
OBIC-GCN -> Estrutura de classificação baseada em objetos de imagens de sensoriamento remoto com redes convolucionais de grafos
aitlas-arena -> Uma estrutura de benchmark de código aberto para avaliar abordagens de aprendizagem profunda de última geração para classificação de imagens em Observação da Terra (EO)
drywatch -> Previsão baseada em satélite das condições de forragem para o gado no norte do Quênia
JSTARS_2020_DPN-HRA -> Redes prototípicas profundas com atenção residual híbrida para classificação de imagens hiperespectrais
SIGNA -> Intercalação Semântica de Atenção de Canal Global para Classificação de Imagens de Sensoriamento Remoto Multilabel
Classificação de imagens de satélite usando dados rmldnn e Sentinel 2
PBDL -> Aprendizagem Discriminativa Baseada em Patches para Classificação de Cenas de Sensoriamento Remoto
EmergencyNet -> identificar incêndios e outras emergências de um drone
desmatamento por satélite -> Uso de imagens de satélite para identificar os principais indicadores de desmatamento, aplicado ao Desafio Kaggle Entendendo a Amazônia a partir do Espaço
RSMLC -> Arquiteturas de Rede Profunda como Extratores de Recursos para Classificação Multi-Rótulo de Imagens de Sensoriamento Remoto
FireRisk -> Um conjunto de dados de sensoriamento remoto para avaliação de risco de incêndio com benchmarks usando aprendizagem supervisionada e autosupervisionada
Flood_susceptibility_mapping -> Rumo ao mapeamento da suscetibilidade às inundações urbanas usando modelos baseados em dados em Berlim, Alemanha
tick-tick-bloom -> Vencedores do Tick Tick Bloom: Desafio de detecção de proliferação de algas nocivas. A tarefa era prever a gravidade da proliferação de algas, os vencedores usaram árvores de decisão
Estimando a operação de usinas a carvão a partir de imagens de satélite com visão computacional -> use dados do Sentinel 2 para identificar se uma usina a carvão está ligada ou desligada, com conjunto de dados e repositório
Detecção de edifícios e reconhecimento de tipo de telhado -> Uma abordagem baseada em CNN para detecção automática de edifícios e reconhecimento de tipos de telhado usando uma única imagem aérea
Comparação de desempenho de canais multiespectrais para classificação de uso do solo -> Implementado ResNet-50, ResNet-101, ResNet-152, Vision Transformer em RGB e versões multiespectrais do conjunto de dados EuroSAT.
SNN4Space -> projeto que investiga a viabilidade de implantação de redes neurais de spiking (SNN) em tarefas de classificação de cobertura e uso da terra
classificação de embarcações -> classificar embarcações e identificar comportamento de pesca com base em dados AIS
RSMamba -> Classificação de imagens de sensoriamento remoto com modelo de espaço de estados
BirdSAT -> Autoencodificadores mascarados contrastantes de visão cruzada para classificação e mapeamento de espécies de aves
EGNNA_WND -> Estimando a presença da Doença do Nilo Ocidental empregando rede neural gráfica
cyfi -> Estimativa da densidade de cianobactérias com base em imagens do satélite Sentinel-2
(esquerda) uma imagem de satélite e (direita) as classes semânticas da imagem.
A segmentação de imagens é uma etapa crucial na análise de imagens e na visão computacional, com o objetivo de dividir uma imagem em segmentos ou regiões semanticamente significativas. O processo de segmentação de imagens atribui um rótulo de classe a cada pixel de uma imagem, transformando efetivamente uma imagem de uma grade 2D de pixels em uma grade 2D de pixels com rótulos de classe atribuídos. Uma aplicação comum da segmentação de imagens é a segmentação de estradas ou edifícios, onde o objetivo é identificar e separar estradas e edifícios de outras características de uma imagem. Para realizar esta tarefa, modelos de classe única são frequentemente treinados para diferenciar entre estradas e plano de fundo, ou edifícios e plano de fundo. Esses modelos são projetados para reconhecer características específicas, como cor, textura e forma, que são características de estradas ou edifícios, e usam essas informações para atribuir rótulos de classe aos pixels de uma imagem. Outra aplicação comum da segmentação de imagens é a classificação do uso da terra ou tipo de cultura, onde o objetivo é identificar e mapear diferentes tipos de cobertura da terra dentro de uma imagem. Neste caso, os modelos multiclasses são normalmente usados para reconhecer e diferenciar entre múltiplas classes dentro de uma imagem, como florestas, áreas urbanas e terras agrícolas. Esses modelos são capazes de reconhecer relações complexas entre diferentes tipos de cobertura do solo, permitindo uma compreensão mais abrangente do conteúdo da imagem. Leia Uma breve introdução à segmentação de imagens de satélite com redes neurais. Observe que muitos artigos que se referem à 'classificação hiperespectral de terras' muitas vezes descrevem a segmentação semântica. Fonte da imagem
U-Net para segmentação semântica em imagens aéreas desequilibradas -> usando o conjunto de dados de Dubai
Segmentação semântica do conjunto de dados de Dubai usando um modelo TensorFlow U-Net
nga-deep-learning -> realiza segmentação semântica em dados GeoTIF de alto resultado usando um U-Net & Keras modificado, publicado por pesquisadores da NASA
Detecção automática de aterros sanitários usando aprendizado profundo
SpectralNET -> uma wavelet 2D CNN para classificação de imagens hiperespectrais, usa conjunto de dados Salinas Scene e Keras
laika -> O objetivo deste repo é pesquisar fontes potenciais de dados de imagens de satélite e implementar vários algoritmos para segmentação de imagens de satélite
PEARL -> uma ferramenta de IA humana para reduzir drasticamente o tempo necessário para produzir um mapa preciso de uso/cobertura da terra (LULC), postagem no blog, usa computador planetário da Microsoft e modelos de ML executados localmente no navegador. Código para backelnd e frontend
Classificação de cobertura terrestre com U-Net -> Tarefa de segmentação semântica multiclasse de imagem de satélite com implementação PyTorch de U-Net, usa conjunto de dados DeepGlobe Land Cover Segmentation, com código
Segmentação semântica multiclasse de imagens de satélite usando U-Net usando conjunto de dados DSTL, tensorflow 1 e python 2.7. Artigo de acompanhamento
Base de código para classificação multiclasse de cobertura do solo com U-Net acompanhando uma tese de mestrado, usa Keras
dubai-satellite-imagery-segmentation -> devido ao pequeno conjunto de dados, foi utilizado aumento de imagem
Segmentação CDL -> Classificação da cobertura do solo e tipo de cultura baseada em aprendizagem profunda: um estudo comparativo. Compara UNet, SegNet e DeepLabv3+
LoveDA -> Um conjunto de dados de cobertura terrestre de sensoriamento remoto para segmentação semântica adaptativa de domínio
Segmentação semântica de imagens de satélite com CNN -> 7 classes de segmentação diferentes, conjunto de dados DeepGlobe Land Cover Classification Challenge, com repo
Artigo médio sobre segmentação semântica aérea usando modelo de aprendizado profundo U-Net, com repositório
Segmentação de imagem UNet-Satellite -> Uma implementação do Tensorflow da estrutura de segmentação semântica leve UNet
Solução de desafio de classificação de cobertura terrestre DeepGlobe
Segmentação semântica com imagens de satélite PyTorch -> prever 25 classes em imagens RGB obtidas para avaliar os danos após o furacão Harvey
Segmentação semântica com imagens Sentinel-2 -> usa conjunto de dados LandCoverNet e fast.ai
CNN_Enhanced_GCN -> Rede convolucional de gráfico aprimorado por CNN com fusão de recursos em nível de pixel e superpixel para classificação de imagens hiperespectrais
LULCMapping-WV3images-CORINE-DLMethods -> Mapeamento de uso e cobertura do solo usando abordagens de segmentação baseadas em aprendizagem profunda e imagens VHR Worldview-3
MCANet -> Uma estrutura conjunta de segmentação semântica de imagens ópticas e SAR para classificação do uso da terra. Usa conjunto de dados WHU-OPT-SAR
MUnet-LUC
cobertura terrestre -> Generalização de modelo em aplicações de aprendizagem profunda para mapeamento de cobertura terrestre
generalizablersc -> Aprendizagem entre conjuntos de dados para classificação generalizável de cenas de uso do solo
Identificação automática de terrenos baldios urbanos em grande escala -> Identificação automática em grande escala de terrenos baldios urbanos usando segmentação semântica de imagens de sensoriamento remoto de alta resolução
SSLTransformerRS -> Transformadores de visão auto-supervisionados para segmentação e classificação da cobertura do solo
segmentação de blocos aéreos -> Segmentação semântica de grandes imagens de satélite em 6 classes usando Tensorflow 2.0 e conjunto de dados de benchmark ISPRS
LULCMapping-WV3images-CORINE-DLMethods -> Mapeamento de uso e cobertura do solo usando abordagens de segmentação baseadas em aprendizagem profunda e imagens VHR Worldview-3
DCSA-Net -> Rede de autoatenção de convolução dinâmica para classificação de cobertura do solo em imagens de sensoriamento remoto VHR
CHeGCN-CNN_enhanced_Heterogeneous_Graph -> Rede convolucional de gráfico heterogêneo aprimorado por CNN: Inferindo o uso da terra a partir da cobertura da terra com um estudo de caso de segmentação de parques
TCSVT_2022_DGSSC -> DGSSC: um classificador espectral-espacial generativo profundo para imagens hiperespectrais desequilibradas
DeepForest-Wetland-Paper -> Classificador Deep Forest para mapeamento de áreas úmidas usando a combinação de dados Sentinel-1 e Sentinel-2, GIScience e Sensoriamento Remoto
Wetland_UNet -> Modelos UNet que podem delinear zonas úmidas usando entrada de dados de sensoriamento remoto, incluindo bandas de Sentinel-2 LiDAR e geomorfos. Pelo Centro de Inovação em Conservação da Chesapeake Conservancy e Defenders of Wildlife
DPA -> DPA é um método de adaptação de domínio não supervisionado (UDA) aplicado a diferentes imagens de satélite para mapeamento da cobertura do solo em grande escala.
mundo dinâmico -> Mundo Dinâmico, mapeamento global de cobertura e uso da terra de 10 m quase em tempo real
spada -> Segmentação da cobertura do solo com anotações esparsas de imagens do Sentinel-2
M3SPADA -> Adaptação de Domínio Temporal Não Supervisionado Multi-Sensor para Mapeamento de Cobertura do Solo com pseudo-rotulagem espacial e aprendizagem adversária
GLNet -> Redes colaborativas globais-locais para segmentação com eficiência de memória de imagens de resolução ultra-alta
LoveNAS -> LoveNAS: Rumo ao mapeamento de cobertura terrestre multicena por meio de rede adaptativa de pesquisa hierárquica
Desafio FLAIR-2 -> Desafio de segmentação semântica e adaptação de domínio proposto pelo Instituto Nacional Francês de Informação Geográfica e Florestal (IGN)
flair-2 solução de 8º lugar
Observe que a detecção do desmatamento pode ser tratada como uma tarefa de segmentação ou uma tarefa de detecção de mudanças
DetecTree -> Detecção de árvores a partir de imagens aéreas em Python, um classificador LightGBM de pixels de árvores/não árvores a partir de imagens aéreas
Detecção de limites de campo Сrор: abordagens e principais desafios -> Artigo médio, cobrindo abordagens históricas e modernas
kenya-crop-mask -> Mapeamento de culturas anuais e sazonais no Quênia - classificador LSTM para classificar pixels como contendo colheita ou não, e um previsor multiespectral que fornece uma série temporal de 12 meses com uma entrada parcial. Conjunto de dados baixado do GEE e relâmpago pytorch usado para treinamento
O que está crescendo lá? Identifique culturas a partir de dados de sensoriamento remoto multiespectral (Sentinel 2) usando eo-learn para pré-processamento de dados, detecção de nuvens, cálculo de NDVI, aumento de imagem e fastai
Classificação de espécies de árvores a partir de dados LiDAR aerotransportados e hiperespectrais usando redes neurais convolucionais 3D
classificação do tipo de cultura -> usando dados Sentinel 1 e 2 com U-Net + LSTM, mais recursos (ou seja, bandas) e resolução mais alta produziram melhores resultados (artigo, sem código)
Encontre campos esportivos usando Mask R-CNN e sobreposição em mapa de ruas aberto
Um LSTM para gerar uma máscara de corte para o Togo
DeepSatModels -> Pré-treinamento auto-contrastivo de contexto para segmentação semântica de tipo de corte
farm-pin-crop-detection-challenge -> Usando eo-learn e fastai para identificar culturas a partir de dados de sensoriamento remoto multiespectral
Detecção de terras agrícolas a partir de imagens de satélite Sentinel-2 -> Desenvolvemos o UNet-Agri, um modelo de aprendizado de máquina de referência que classifica terras agrícolas usando imagens de acesso aberto do Sentinel-2 com resolução espacial de 10 m
DeepTreeAttention -> Implementação de Hang et al. 2020 "Classificação de imagens hiperespectrais com CNNs auxiliadas por atenção" para previsão de espécies de árvores
Classificação de culturas -> classificação de culturas usando imagens de satélite multitemporais
ParcelDelineation -> usando um conjunto de dados de polígonos franceses e unet em keras
crop-mask -> Fluxo de trabalho ponta a ponta para gerar mapas de áreas agrícolas de alta resolução, usa modelo GEE e LSTM
DeepCropMapping -> Uma abordagem de aprendizado profundo multitemporal com generalização espacial aprimorada para mapeamento dinâmico de milho e soja, usa LSTM
Segmentar Cobertura de Dossel e Solo usando NDVI e Rasterio
Use o agrupamento KMeans para segmentar imagens de satélite por cobertura/uso da terra
ResUnet-a -> uma estrutura de aprendizagem profunda para segmentação semântica de dados de sensoriamento remoto
DSD_paper_2020 -> Classificação do tipo de cultivo baseada em aprendizado de máquina com dados multitemporais do Sentinel-1
MR-DNN -> extrair campo de arroz das imagens do satélite Landsat 8
deep_learning_forest_monitoring -> Mapeamento e monitoramento florestal do continente africano usando dados do Sentinel-2 e aprendizagem profunda
mapeamento global de terras agrícolas -> mapeamento global multitemporal de terras agrícolas
U-Net para Segmentação Semântica de Campos de Cultura de Soja com Imagens SAR
UNet-RemoteSensing -> usa 7 bandas de Landsat e keras
Landuse_DL -> delinear formas de relevo devido ao degelo do permafrost rico em gelo
dossel -> Um classificador de rede neural convolucional identifica espécies de árvores em floresta mista de coníferas a partir de imagens hiperespectrais
Classificação RandomForest -> Dados multisensor para derivar comunidades de vegetação de turfeiras usando um veículo aéreo não tripulado de asa fixa
forest_change_detection -> segmentação de mudanças florestais com modelos dependentes do tempo, incluindo modelos Siamês, UNet-LSTM, UNet-diff, UNet3D
cultionet -> segmentação de terras cultivadas, construída em PyTorch Geometric e PyTorch Lightning
cobertura de árvores sentinela -> Um método global para identificar árvores fora de florestas de copa fechada com imagens de satélite de média resolução
crop-type-detection-ICLR-2020 -> Soluções vencedoras da competição de detecção de tipo de cultura no workshop CV4A, ICLR 2020
Identificação de culturas usando imagens de satélite -> Artigo médio, introdução à identificação de culturas
Modelos S4A -> Vários experimentos no conjunto de dados Sen4AgriNet
atenção-mecanismo-unet -> Uma U-Net baseada em atenção para detectar desmatamento em imagens de sensores de satélite
Cocoa_plantations_detection -> Detectando plantações de cacau na Costa do Marfim usando dados de sensoriamento remoto Sentinel-2 usando KNN, SVM, Random Forest e MLP
SummerCrop_Deeplearning -> Um modelo de classificação de aprendizagem transferível e estimativa de sequestro de carbono de culturas em ecossistemas agrícolas
DeepForest é um pacote python para treinar e prever copas de árvores individuais a partir de imagens RGB transportadas pelo ar
Repositório oficial do desafio "Identificando árvores em imagens de satélite" de Omdena
Counting-Trees-using-Satellite-Images -> cria um inventário de árvores que entram e saem para inspeções anuais de árvores, usa keras e segmentação semântica
Artigo da Nature de 2020 - Uma contagem inesperadamente grande de árvores no Saara e no Sahel da África Ocidental -> estrutura de detecção de árvores baseada em U-Net e tensorflow 2 com código aqui
TreeDetection -> Um classificador baseado em cores para detectar as árvores nos dados de imagens do Google junto com a localização visual da árvore e cálculos do tamanho da copa via OpenCV
PTDM -> Método de detecção de árvore Pomelo baseado no mecanismo de atenção e fusão de recursos entre camadas
urban-tree-detection -> Detecção individual de árvores em ambientes urbanos de grande escala usando imagens multiespectrais de alta resolução. Com conjunto de dados
BioMassters_baseline -> uma linha de base básica de relâmpago pytorch usando um UNet para começar com o desafio BioMassters (estimativa de biomassa)
Vencedores da Biomasters -> 3 principais soluções
solução kbrodt biomassters -> solução de 1º lugar
solução de biomassas quqixun
estimativa de biomassa -> de Azavea, aplicada ao Sentinel 1 e 2
3DUNetGSFormer -> Um pipeline de aprendizado profundo para mapeamento complexo de zonas úmidas usando redes adversárias generativas e transformador Swin
SEANet_torch -> Usando uma rede neural multitarefa semântica com reconhecimento de borda para delinear parcelas agrícolas a partir de imagens de sensoriamento remoto
arborizer -> Segmentação e classificação de copas de árvores
ReUse -> Unet REgressiva para armazenamento de carbono e estimativa de biomassa acima do solo
unet-sentinel -> UNet para lidar com imagens SAR do Sentinel-1 para identificar o desmatamento
MaskedSST -> Transformadores de visão mascarados para classificação de imagens hiperespectrais
UNet-defmapping -> dissertação de mestrado usando UNet para mapear o desmatamento usando imagens Sentinel-2 Nível 2A, aplicadas ao conjunto de dados da Amazônia e da Mata Atlântica
cvpr-multiearth-desmatamento-segmentação -> entrada multimodal da Unet para o desafio de desmatamento CVPR Multiearth 2023
classificação supervisionada de trigo usando pytorchs-torchgeo -> classificação supervisionada de trigo usando torchgeo
TransUNetplus2 -> TransU-Net++: Repensando a TransU-Net com foco na atenção para mapeamento do desmatamento. Utiliza o conjunto de dados da Amazônia e da Mata Atlântica
Um modelo de alta resolução da altura do dossel da Terra -> Um modelo de alta resolução da altura do dossel da Terra
Radiant Earth Spot the Crop Challenge -> Os modelos vencedores do Radiant Earth Spot the Crop Challenge usam uma série temporal de dados multiespectrais do Sentinel-2 para classificar as culturas no Cabo Ocidental da África do Sul. Outra solução
transfer-field-delineation -> Aprendizagem de transferência multirregional para segmentação de limites de campos de cultivo em imagens de satélite com rótulos limitados
mowing-detection -> Detecção automática de corte e pastagem a partir de imagens Sentinel
PTAViT3D e PTAViT3DCA -> Enfrentando nuvens fofas: detecção de limites de campo usando séries temporais de imagens S2 e/ou S1
ai4boundaries -> um pacote Python que facilita o download do conjunto de dados AI4boundaries
pytorch-waterbody-segmentation -> modelo UNET treinado no conjunto de dados de imagens de satélite de corpos d'água do Kaggle. O modelo é implantado em Hugging Face Spaces
Detecção e análise de inundações usando UNET com Resnet-34 como backbone usa fastai
Detecção automática de inundações a partir de imagens de satélite usando aprendizado profundo
UNSOAT usou fastai para treinar uma Unet para realizar segmentação semântica em imagens de satélite para detectar água
Classificação e segmentação semissupervisionada em imagens aéreas de alta resolução - Resolvendo o problema FloodNet
Houston_flooding -> rotulando cada pixel como inundado ou não usando dados do furacão Harvey. O conjunto de dados consistia em imagens pré e pós-inundação, e uma máscara de água de enchente foi criada usando agrupamento não supervisionado (com DBScan) de pixels de imagem com verificação/ajuste de agrupamento humano
ml4floods -> Um ecossistema de dados, modelos e pipelines de código para lidar com inundações com ML
Um guia completo para começar a competição ETCI Flood Detection -> usando Sentinel1 SAR e pytorch
Mapear enchentes de imagens SAR com SageMaker -> aplicado ao conjunto de dados Sentinel-1
Solução de primeiro lugar para STAC Overflow: Mapear Floodwater from Radar Imagery hospedado pela Microsoft AI for Earth -> combina Unet com Catboostclassifier, tomando seus máximos, não a média
hydra-floods -> um aplicativo Python de código aberto para baixar, processar e fornecer mapas de águas superficiais derivados de dados de sensoriamento remoto
CoastSat -> ferramenta de mapeamento de litorais que possui extensão CoastSeg utilizando modelos de segmentação
Satellite_Flood_Segmentation_of_Harvey -> explora aprendizado profundo e kmeans tradicionais
Detecção de eventos de inundação utilizando imagens de satélite
ETCI-2021-Competition-on-Flood-Detection -> Experimentos sobre segmentação de inundações em imagens SAR Sentinel-1 com pseudo-rotulagem cíclica e treinamento de alunos barulhentos
FDSI -> Detecção de Inundações em Imagens de Satélite - Tarefa de Satélite Multimídia 2017
deepwatermap -> um modelo profundo que segmenta a água em imagens multiespectrais
rivamap -> um mecanismo automatizado de análise e mapeamento de rios
águas profundas -> rastrear mudanças no nível da água
WatNet -> Um ConvNet profundo para mapeamento de águas superficiais baseado na imagem Sentinel-2, usa o conjunto de dados de águas superficiais da Terra
Mapeamento de extensão AU-Net para inundação
floatobjects -> PARA DETECTAR OBJETOS FLUTUANTES EM ESCALA GLOBAL COM RECURSOS ESPACIAIS APRENDIDOS USANDO SENTINEL 2. Usa U-Net e pytorch
SpaceNet8 -> solução Unet básica para detectar estradas e edifícios inundados
dlsim -> Quebrando os limites do sensoriamento remoto por simulação e aprendizado profundo para mapeamento de inundações e fluxo de detritos
Water-HRNet -> HRNet treinado no Sentinel 2
modelo de segmentação semântica para identificar terras recém-desenvolvidas ou inundadas usando imagens NAIP fornecidas pela Chesapeake Conservancy, treinamento no MS Azure
BandNet -> Análise e aplicação de dados multiespectrais para segmentação de água utilizando aprendizado de máquina. Usa dados do Sentinel-2
mmflood -> MMFlood: um conjunto de dados multimodal para delineamento de inundações a partir de imagens de satélite (Sentinel 1 SAR)
Urban_flooding -> Rumo a modelos transferíveis baseados em dados para prever a profundidade das águas das inundações pluviais urbanas em Berlim, Alemanha
Flood-Mapping-Using-Satellite-Images -> dissertação de mestrado comparando Random Forest e Unet
MECNet -> Recursos ricos da CNN para segmentação de corpos d'água a partir de imagens aéreas e de satélite de altíssima resolução
SWRNET -> Uma abordagem de aprendizagem profunda para reconhecimento de pequenas áreas de águas superficiais a bordo de satélite
elwha-segmentation -> ajuste fino do Meta's Segment Anything (SAM) para segmentação de pixels de rio com visão aérea, com artigo Médio
RiverSnap -> código para papel: uma análise comparativa de desempenho de modelos populares de aprendizado profundo e modelo Segment Anything (SAM) para segmentação de água de rio em imagens de sensoriamento remoto de curto alcance
SatelliteVu-AWS-Disaster-Response-Hackathon -> previsão de propagação de incêndio usando ML clássico e aprendizado profundo
Detecção de incêndios florestais usando U-Net treinado em Databricks e Keras, segmentação semântica
Um método prático para monitoramento de áreas queimadas em alta resolução usando Sentinel-2 e VIIRS
Previsão de risco de incêndio geoespacial de IA -> Um modelo preditivo usando dados raster geoespaciais para avaliar o potencial de risco de incêndio florestal nos Estados Unidos contíguos usando Unet
IndustrialSmokePlumeDetection -> usando Sentinel-2 e um ResNet-50 modificado
detecção de área queimada -> usa Sentinel-2
resgate -> Atenção aos incêndios: modelos de aprendizagem profunda multicanal para previsão da gravidade dos incêndios florestais
smoke_segmentation -> Segmentação de plumas de fumaça e previsão de densidade a partir de imagens GOES
detecção de incêndios florestais -> Usando transformadores de visão para detecção aprimorada de incêndios florestais em imagens de satélite
Burned_Area_Detection -> Detectando áreas queimadas com dados do Sentinel-2
linha de base da área queimada -> modelo unet de linha de base que acompanha o conjunto de dados de área queimada do satélite (Sentinel 1 e 2)
burn-area-seg -> Segmentação de área queimada do Sentinel-2 usando aprendizagem multitarefa
chabud2023 -> Detecção de alterações para Delineamento de área queimada (ChaBuD) Desafio ECML/PKDD 2023
Detecção pós-incêndio usando Siamese-UNet -> no conjunto de dados Chadbud
vit-burned-detection -> Transformadores de visão na delimitação da área queimada
landslide-sar-unet -> Aprendizado profundo para detecção rápida de deslizamentos usando cubos de dados de radar de abertura sintética (SAR)
Landslide-Mapping-With-CNN-> Uma nova estratégia para mapear deslizamentos de terra com uma rede neural convolucional generalizada
Relict_landslides_cnn_kmeans-> Relici a detecção de deslizamentos de terra em áreas de floresta tropical usando uma combinação de algoritmo de agrupamento de means e modelos de segmentação semântica de aprendizado profundo
Landslide-mapping-on-Sar-Data-By-Attention-U-Net-> Mapeamento rápido de deslizamento de terra nos dados da SAR pela atenção u-net
SAR-Landslide-Detection-Pretinging-> Classificação de deslizamento baseado em SAR Pré-treinamento leva a uma melhor segmentação
Mapeamento de deslizamentos de terra de imagens Sentinel-2 através de detecção de mudanças
Hed -unet -> Um modelo para segmentação semântica simultânea e detecção de arestas, os exemplos fornecidos são frentes da geleira e pegadas de construção usando o conjunto de dados de rotulagem de imagem aérea da INRIA
GLACIER_MAPPAP -> Mapeamento de geleiras no Hindu Kush Himalaia, Landsat 7 Imagens, Shapefile Labels of the Glacers, Unet with Dropout
Glacier-Detect-ML-> Um modelo de regressão logística simples para identificar uma geleira em imagens de satélite Landsat
GlaciersemanticSementation
Detecção antártica-fratura-> usa unet com o mosaico Modis da Antártica para detectar fraturas de superfície
Detecção de aterros abertos -> usa o Sentinel -2 para detectar grandes mudanças na taxa de queimadura normalizada (NBR)
Sea_ice_remote_sensing -> Classificação de Focação de Gelo do Mar
METHANETECTION-DETECTION-FROM-HYPERSPETRAL-MAGUERA-> Métodos de sensoriamento remoto profundos para detecção de metano em imagens hiperespectrais aéreas
CNNs de Classificação de Methano-Emission-Emission-Project-> Classification foram combinados em uma abordagem de conjunto com métodos tradicionais em dados tabulares
CH4NET -> Um modelo rápido e simples para detecção de plumas de metano usando Sentinel -2
Eddynet -> Uma rede neural profunda para classificação de pixels de redemoinhos oceânicos
Schisto -vegetação -> Segmentação de aprendizagem profunda de imagens de satélite identifica a vegetação aquática associada a hospedeiros intermediários de esquistossomose no Senegal, África
Earthformer -> Explorando transformadores espaciais para previsão do sistema terrestre
Weather4cast-2022-> Modelo de linha de base do UNET-3D para competição de previsão de filmes de chuva Weather4cast
WeatherFusionNet -> Prevendo a precipitação a partir de dados de satélite. Weather4cast-2022 Solução de 1º lugar
MarinetebrisDetector-> Detecção em larga escala de detritos marinhos em áreas costeiras com Sentinel-2
Kaggle-Identify-Contrails-4th-> Solução do 4º lugar, Google Research-Identifique os contrails para reduzir o aquecimento global
Minesegsat -> Um sistema automatizado para avaliar extensões de área perturbada de mineração a partir de imagens Sentinel -2
StarCop: Segmentação semântica de plumas de metano com modelos de aprendizado de máquina hiperespectral
ASOS -> Reconhecendo padrões protegidos e antropogênicos em paisagens usando aprendizado de máquina interpretável e imagens de satélite
Extrair estradas é desafiador devido às oclusões causadas por outros objetos e pelo complexo ambiente de tráfego
Chesapeakersc -> Segmentação para extrair estradas do fundo, mas também são avaliadas pela forma como elas se apresentam na aula "Canopy Over Road"
Detecção de estradas usando segmentação semântica e albumentos para aumento de dados usando o conjunto de dados de rodovias de Massachusetts, u-net & keras. Com código
Ml_epfl_project_2 -> u -net em pytorch para realizar segmentação semântica de estradas em imagens de satélite
Segmentação semântica de estradas usando keras de rede U, dados OSM, artigo de resumo do projeto por aluno, sem código
Ganhando soluções da Spacenet Road Detection and Routing Challenge
RoadvecNet-> ROADWORK-SEGEMENTAÇÃO E VECORIZAÇÃO EM KERAS COM DATASET
Detectar os tipos de estrada e estrada Jupyter Notebook
Awesome-up-mapa-> Uma lista com curadoria de recursos dedicados a algoritmos de aprendizado / visão computacional profundos para o mapeamento. Os problemas de mapeamento incluem inferência de rede rodoviária, extração de pegadas, etc.
RoadTracer: Extração automática de redes rodoviárias de imagens aéreas -> Usa um processo de pesquisa iterativo guiado por uma função de decisão baseada na CNN para derivar o gráfico da rede rodoviária diretamente da saída da CNN
ROAD_DETECTION_MTL -> Detecção de estradas usando uma técnica de aprendizado de várias tarefas para melhorar o desempenho da tarefa de detecção de estradas, incorporando restrições anteriores de conhecimento, usa o conjunto de dados da SpacENet Roads
Road_Connectivity -> Conectividade da estrada aprimorada por aprendizado conjunto de orientação e segmentação (CVPR2019)
Exigação de rede de estrada usando processamento de imagem clássica-> Detecção de borda Blur & Canny
Spin_Roadmapper -> Extraindo estradas de imagens aéreas por meio de raciocínio de gráfico de espaço espacial e de interação para direção autônoma
ROAD_EXTRACTION_REMOTE_SENSING -> Implementação de Pytorch, CVPR2018 Deepglobe ROAD FREACTION Challenge Submission. Veja também Deepglobe-Road-Extraction-Challening
Conjunto de dados do RoadDetections da Microsoft
Coanet -> Rede de atenção de conectividade para extração de estradas de imagens de satélite. O módulo COA incorpora informações gráficas para garantir que a conectividade das estradas seja melhor preservada
Segmentação da estrada de imagens de satélite -> Introdução em meio usando o conjunto de dados Kaggle Massachusetts Roads
Pixels de etiquetas -> Para segmentação semântica de estradas e outros recursos
Extração de Satélite-Imagem-estrada-> Extração de estrada por rede U profunda
Road_building_extraction -> Implementação de Pytorch da arquitetura U -Net para extração de estradas e edifícios
RCFSNET -> Extração de estradas de imagens de satélite por contexto da estrada e recurso em estágio completo
SGCN-> Rede de Convolução de Gráfico Separável de Utensso Dividida para Extração de Rodovias em ambientes complexos de imagens de sensoriamento remoto de alta resolução
ASPN -> Segmentação da estrada para imagens de sensoriamento remoto usando redes pirâmides espaciais adversárias
FCNS-For-Road-Extraction-Keras-> Extração de rodovias de imagens de sensoriamento remoto de alta resolução com base em várias redes de segmentação semântica
Cresi -> Extração de redes rodoviárias de imagens de satélite, com estimativas de velocidade e tempo de viagem
D -LinkNet -> LinkNet com codificador pré -traido e convolução dilatada para extração de imagens de satélite de alta resolução
SAT2GRAPH -> Extração de gráficos rodoviários através da codificação do tensor de gráficos
Segmentação de imagem) -> Usando o conjunto de dados de Road de Massachusetts e Fast.ai
Roadtracer -M -> Extração de rede rodoviária de imagens de satélite usando segmentação e rastreamento baseados em CNN
Scroadextractor -> Rabisado de aprendizado profundo supervisionado para a extração da superfície da estrada de imagens de sensoriamento remoto
Roadda -> Adaptação de domínio não supervisionada no palco com auto -treinamento adversário para segmentação de rodovias de imagens de sensoriamento remoto
Deepsegmentor -> Uma implementação de Pytorch de projetos DeepCrack e RoadNet
Atenção residual em cascata extração de estradas aprimorada de imagens de sensoriamento remoto
NL-LinkNet-> em direção a uma extração rodoviária mais clara, mas mais precisa, com operações não locais
IRSR -NET -> Rede leve de detecção de rodovias de sensoriamento remoto
Hironex -> Uma ferramenta Python para extração automática e totalmente não supervisionada de redes rodoviárias históricas de mapas históricos
ROAD_DETECTION_MODEL -> Estradas de mapeamento na Amazônia brasileira com inteligência artificial e Sentinel -2
DTNET-> Detecção de estrada através de uma rede de tarefas duplas com base em módulos de fusão de gráficos de camada cruzada
Mapas-da-estrada-estrada automática-rodo
Istambul_dataset -> Segmentação nos conjuntos de dados de Istambul, Inria e Massachusetts
Segmentação da estrada-> Segmentação da estrada em imagens de satélite usando CNN (U-Nets e FCN8) e regressão logística
D -LinkNet -> Solução de 1º lugar em Deepglobe Road Extração Challenge
Park-Detect-> Park-Detect: Rumo a uma extração de imagens de satélite com várias tarefas por meio de detecção de pontos-chave de remendo por meio de patches
Tile2Net -> Mapeando a caminhada: uma abordagem escalável de visão computacional para gerar conjuntos de dados de rede de calçada a partir de imagens aéreas
Aeriallanenet-> Mapas de nível de pista de imagens aéreas, apresenta o conjunto de dados da pista aérea (AEL): um primeiro conjunto de dados de imagem aérea de larga escala construída para detecção de pista
SAM_ROAD -> Segmento de qualquer coisa (SAM) para extração de rede rodoviária vetorizada em larga escala de imagens aéreas.
LRDNET -> Um algoritmo de detecção de estrada leve baseado em rede de atenção convolucional em várias escalas e cabeça de decodificador acoplado
Extração fina de redes rodoviárias por meio de aprendizado conjunto de conectividade e segmentação -> usa o conjunto de dados SpaceNet 3
A segmentação semântica da estrada e da construção em imagens de satélite usa a rede U no conjunto de dados e keras de estradas de Massachusetts
Encontre construções não autorizadas usando fotografia aérea -> criação de dados
Srbuildseg-> Fazendo imagens de satélite de baixa resolução renascidas: uma abordagem de aprendizado profundo para extração de edifícios de super resolução
Detecção de pegada de construção com o Fastai no conjunto de dados desafiadores do SpaceNet7 usa u-net & fastai
PIX2PIX-para-SEMUSC-SEGEMENTAÇÃO-SATELITE-SATELTELITE-> Usando a rede GaN Pix2Pix para segmentar a pegada de construção de imagens de satélite, usa o tensorflow
SpaceNetunet -> O modelo de linha de base é como a rede U, aplicada aos dados da Spacenet Vegas, usando Keras
Detecção automatizada de construção automatizada-> Entrada: imagens de satélite RGB de resolução de altura (<= 0,5 m/pixel). Saída: edifícios em formato vetorial (Geojson), a serem usados em produtos de mapa digital. Construído em cima de Robosat e Robosat.pink.
Project_sunroof_india -> Analisou imagens de satélite do Google para gerar um relatório sobre o potencial de energia solar do telhado da casa, usa uma gama de técnicas clássicas de visão computacional (por exemplo, detecção de borda de chiqueiro) para segmentar os telhados
Ponte-a-Common Neural-Network-para-Road-and-Building-Extração
Mapeando os edifícios da África com imagens de satélite: Google AI Blog Post. Veja o conjunto de dados de construção aberta
NZ_CONVNET -> Uma Convnet baseada em rede U para imagens da Nova Zelândia para classificar os contornos de construção
Polycnn-> Aprendizagem de ponta a ponta de polígonos para classificação de imagem de sensoriamento remoto
Solução SpaceNet_building_detection por motokimura usando unet
VEC2Instance -> Aplicado ao conjunto de dados da pegada de pegada de construção da Spacenet Challenge 2 (Vegas), tensorflow v1.12
Terremowakedaigetection -> Segmentação de edifícios a partir de imagens de satélite e classificação de danos para cada compilação, usando keras
Repo semântico de Fuweifu-vtoo-> usa Pytorch e os conjuntos de dados de Massachusetts Buildings & Roads
Extraindo edifícios e estradas da AWS Open Data usando a Amazon Sagemaker -> com repo
TF -segnet -> AirNet é uma rede de segmentação baseada no Segnet, mas com algumas modificações
RGB-FOOTPRINT-EXTRATE-> Uma rede de segmentação semântica para extração de pegada de construção em escala urbana usando imagens de satélite RGB, módulo DEEPLAVV3+ com um backbone de Resnet C42 dilatado
Spacenetexploration -> Um projeto de amostra demonstrando como extrair pegadas de construção de imagens de satélite usando um modelo de segmentação semântica. Dados do Spacenet Challenge
Segmentação de Instance-Instance-> VGG-16, segmentação de instância, usa o conjunto de dados Airs
Magamento de fazendas solares-> Um conjunto de dados de inteligência artificial para locais de energia solar na Índia
Poultry-Cafos-> Este repositório contém código para detectar celeiros de aves de imagens aéreas de alta resolução e um conjunto de dados que o acompanha de celeiros previstos nos Estados Unidos
SSAI -CNN -> Esta é uma implementação dos métodos de dissertação de Volodymyr MNIH em seu conjunto de dados de Massachusetts Road & Building
A construção remota-constrangimento-extração para 3D-model-uping-paddle and Grasshopper
RESUMO DE RESULTADO APENDENTE DE SEGENTAÇÃO-> Extração de edifícios urbanos na região de Daejeon usando rede U modificada (RESUNETA MODIFICADA) e aplicação de pós-processamento
Máscara o RCNN para a Spacenet Off Nadir Building Detection
GRSL_BFE_MA -> Extração de pegadas de construção baseada em aprendizado profundo com anotações ausentes usando uma nova função de perda
FER -CNN -> Detecção, classificação e regularização de limites de edifícios em imagens de satélite usando redes neurais convolucionais da região mais rápida
Picture de segmentação de segmentação sem imagem-> UNET para prever o teto de telhado no conjunto de dados de mapeamento de IA Crowed, usa keras
Vetor-map-geração-a-a-aerial-imager-use-up-learning-geespacial-unet-> Aplicado a imagens geo-referenciadas que são de tamanho muito grande> 10k x 10k pixels
Segmentação de impressão de construção de construção-> Biblioteca instalável PIP para treinar a segmentação da pegada de construção em imagens de satélite e aérea, aplicada ao conjunto de dados de massachusetts para edifícios e dados de rotulagem de imagem aérea da INRIA
Semsegbuildings -> Projeto Usando Fast.ai Framework para segmentação semântica no conjunto de dados de segmentação de construção de Inria
FCNN -Exemplo -> Overfit para uma determinada imagem única para detectar casas
SAT2LOD2-> Um software GUI-GUI de código aberto e baseado em Python que tira as imagens de satélite como entradas e retorna modelos de construção LOD2 como saídas
SatFootPrint -> Segmentação de construção no conjunto de dados SpaceNet 7
Detecção de construção -> Experimento de visão raster para treinar um modelo para detectar edifícios de imagens de satélite em três cidades na América Latina
Rastreador multi-edifício-> rastreador de edifícios de vários alvos para imagens de satélite usando Deep Learning
Segmentação semântica de aprimoramento limite para extração de construção
Código de Keras para segmentação semântica binária
Detecção de construção de espaçonações
LGPNET-BCD-> Detecção de alterações de construção para imagens de sensoriamento remoto VHR via rede de pirâmide local-global e estratégia de aprendizado de transferência de tarefas cruzadas
Mtl_homoscedastic_srb -> Uma estrutura de aprendizado profundo de várias tarefas para a construção de segmentação de pegadas
UNET_CNN -> Modelo UNET para segmentar a cobertura de construção em Boston usando dados de sensoriamento remoto, usa keras
FDANET-> Adaptação de domínio de nível total para extração de construção em imagens de detecção remota óptica de alta resolução
CBRNET-> Uma rede de refinamento de limites grossa para finalização para construção de extração de imagens de sensoriamento remoto
ASLNET -> Aprendizagem de forma adversária para extração de extração em imagens de sensoriamento remoto VHR
Brrnet -> Uma rede neural totalmente convolucional para extração automática de construção de imagens de sensoriamento remoto de alta resolução
Index de construção multi-escala-Índice de construção de escala-> Um índice de construção de filtragem de escala múltipla para extração de construção em imagens de satélite de resolução muito alta
Modelos para sensoriamento remoto -> Lista longa de INCET etc aplicada à detecção de edifícios
Boundary_loss_for_remote_sensing -> Perda de limite para segmentação semântica de imagens de sensoriamento remoto
Open Cities AI Challenge -> Segmentando edifícios para resiliência a desastres. Soluções vencedoras no Github
MAPNET -> Rede neural de caminho multi comparante para a extração de pegadas de imagens sentidas remotas
dupla hrnet -> localizando edifícios e classificando seu nível de dano
Esfnet -> Rede eficiente para a extração de extração de imagens aéreas de alta resolução
Detecção de detecção na cobertura-> Detectar telhados de imagens de satélite de baixa resolução e calcular área para cultivo e parcela do painel solar usando técnicas clássicas de visão computacional
keras_segmentation_models -> Usando dados espaciais baseados em vetores abertos para criar conjuntos de dados semânticos para construção de segmentação para dados de raster
CVCMFFNET -> Rede de fusão convolucional e multifuncional com valores complexos para a construção de segmentação semântica de imagens Insar
Steb-Unet-> Um impulsionador de codificação baseado em transformador SWIN integrado em rede em forma de U para extração de construção
DFC2020_BASELINE-> Solução de linha de base para o concurso de fusão de dados do IEEE GRSS 2020. Preveja os rótulos da cobertura da terra das imagens Sentinel-1 e Sentinel-2
Fusando vários modelos de segmentação com base em diferentes conjuntos de dados em um único modelo de borda e segmentação de telhado, carro e estrada
A segmentação do sol-truta no solo-> Use Pix2pix para segmentar a pegada de um edifício. O conjunto de dados usado é ares
UNICEF -GIGA_SUDAN -> Detectando lotes escolares em imagens de satélite no sul do Sudão usando um modelo de segmentação UNET
Building_footPrint_extraction -> O projeto recupera imagens de satélite do Google e executa a extração de pegadas de construção usando uma rede U.
Projectularização -> regularização de limites de construção em imagens de satélite usando perdas adversárias e regularizadas
PolyworldpretriledNetwork -> Extração de construção poligonal com redes neurais gráficas em imagens de satélite
dl_image_segmentation -> aprendizado profundo interpretável da incerteza para mapeamento e monitoramento de favelas. Usa o shap
UBC-DataSet-> Um conjunto de dados para detecção e classificação de construção de imagens de satélite de alta resolução, com o foco na interpretação em nível de objeto de edifícios individuais
UNETFORMER -> Um transformador do tipo não atingido para segmentação semântica eficiente de imagens de cena urbana de sensoriamento remoto
BES-NET-> Rede de contexto semântico para melhorar limites para segmentação semântica de imagem de alta resolução. Aplicado aos conjuntos de dados Vaihingen e Potsdam
CVNET -> Rede de vibração de contorno para extração de construção
CFENET -> Uma rede de aprimoramento de recursos de contexto para construção de extração de imagens de sensoriamento remoto de alta resolução
Hisup -> Mapeamento poligonal preciso de edifícios em imagens de satélite
BuildingExtração -> Extração de construção de imagens de sensoriamento remoto com transformadores de token esparsos
CrossGeonet -> Uma estrutura para a construção de geração de pegada de regiões geográficas de rótulos -escrivaninhas
Afm_building -> Construindo geração de pegada através de redes neurais convolucionais com representação de campo de atração
Rampa (IA replicável para microplanning) -> Detecção de construção em países de baixa e média renda
Rede de fusão de recurso multimodal com instança de construção-> Detector de ponto central adaptativo para extração de instância de construção
CGSAnet-> Uma rede de codificador-decodificador de codificadores de estrutura de contorno e codificador local para extração precisa de imagens de sensoriamento remoto de alta resolução de alta resolução
Building-Footprints-update-> Aprendendo distribuições de cores de imagens de sensoriamento remoto Bitemporal para atualizar pegadas de construção existentes
DataSet de Rampa -> Modelo e Edifícios para suportar uma ampla variedade de casos de uso humanitário
Tese_seemict_image_segmentation_on_satellite_imagery_using_unets -> Esta tese de mestre pretende realizar a segmentação semântica de edifícios em imagens de satélite do conjunto de dados da SpaceNet Challenge 1 usando a arquitetura u -net
HD-NET-> Rede desacoplada de alta resolução para criar extração de pegadas por meio de decomposição do corpo e limite profundamente supervisionado
RoofSense -> Uma nova solução de aprendizado profundo para a classificação automática de material de cobertura do estoque de edifícios holandeses usando imagens aéreas e fusão de dados de varredura a laser
IBS-AQSNET-> Rede de avaliação de qualidade automatizada aprimorada para segmentação de construção interativa em imagens de sensoriamento remoto de alta resolução
Deepmao -> Deep Multi -Scale Awarding Retwork Overcomplete para criar segmentação em imagens de satélite
Reconhecimento de panéis de aprendizado profundo-> Usando a detecção de objetos com Yolov5 e segmentação do UNET
DeepSolar -> Uma estrutura de aprendizado de máquina para construir com eficiência um banco de dados de implantação solar nos Estados Unidos. O conjunto de dados em Kaggle, na verdade, usou uma CNN para classificação e segmentação é obtida aplicando um limite ao mapa de ativação. O código original é TF1, mas TF2/KERS e uma implementação de Pytorch estão disponíveis. Também visualizações de check-out e análise aprofundada. Dos fatores que podem explicar a adoção da energia solar em .. Virginia e Deepsolar Tracker: Rumo a avaliação não supervisionada com dados de código aberto da precisão do mapeamento PV distribuído baseado em aprendizado profundo
Hyperion_solar_net -> modelos de classificação e segmentação treinados em imagens RGB do Google Maps
3D-PV-Locator-> Detecção em larga escala de sistemas fotovoltaicos montados na cobertura em 3D
PV_PIPELINE -> Deepsolar para a Alemanha
Detecção de painéis solares-> Usando segnet, f
