techniques

Satellite-image-deep-learning.com ?

Введение

Глубокое обучение произвело революцию в анализе и интерпретации спутниковых и аэрофотоснимков, решая уникальные проблемы, такие как огромные размеры изображений и широкий спектр классов объектов. В этом репозитории представлен исчерпывающий обзор методов глубокого обучения, специально предназначенных для обработки спутниковых и аэрофотоснимков. Он охватывает ряд архитектур, моделей и алгоритмов, подходящих для таких ключевых задач, как классификация, сегментация и обнаружение объектов.

Как использовать этот репозиторий: используйте Command + F (Mac) или CTRL + F (Windows) для поиска на этой странице, например, «SAM».

Техники

• Классификация
• Сегментация
• Обнаружение объектов
• Регрессия
• Обнаружение и удаление облаков
• Обнаружение изменений
• Временной ряд
• Классификация культур
• Прогнозирование урожайности и вегетации
• Генеративные сети
• Автоэнкодеры, уменьшение размерности, встраивание изображений и поиск по сходству
• Небольшое и нулевое обучение
• Самоконтролируемое, неконтролируемое и контрастное обучение
• САР
• Большие модели видения и языка (LLM и LVM)
• Фундаментальные модели

Классификация

Набор данных UC Merced — это хорошо известный набор классификационных данных.

Классификация является фундаментальной задачей при анализе данных дистанционного зондирования, цель которого состоит в том, чтобы присвоить каждому изображению семантическую метку, например «город», «лес», «сельскохозяйственные земли» и т. д. Процесс присвоения меток изображению известная как классификация на уровне изображения. Однако в некоторых случаях одно изображение может содержать несколько различных типов растительного покрова, например лес с протекающей по нему рекой или город с жилыми и коммерческими районами. В этих случаях классификация на уровне изображения становится более сложной и предполагает присвоение нескольких меток одному изображению. Этого можно добиться, используя комбинацию алгоритмов извлечения признаков и машинного обучения для точной идентификации различных типов растительного покрова. Важно отметить, что классификацию на уровне изображения не следует путать с классификацией на уровне пикселей, также известной как семантическая сегментация. В то время как классификация на уровне изображения присваивает одну метку всему изображению, семантическая сегментация присваивает метку каждому отдельному пикселю изображения, что приводит к очень подробному и точному представлению типов земного покрова на изображении. Прочтите Краткое введение в классификацию спутниковых изображений с помощью нейронных сетей.

• Классификация земель на основе данных Sentinel 2 с использованием простого кластерного алгоритма sklearn или CNN глубокого обучения

• Многокомпонентная классификация спутниковых фотографий тропических лесов Амазонки с использованием keras или FastAI

• EuroSat-Satellite-CNN-and-ResNet -> Классификация пользовательских наборов данных изображений путем создания сверточных нейронных сетей и остаточных сетей с нуля с помощью PyTorch

• Обнаружение неофициальных поселений по спутниковым снимкам с использованием точной настройки классификатора ResNet-50 с репо

• Классификация земельного покрова с использованием набора данных Sentinel-2 -> хорошо написанная статья среднего размера, сопровождающая этот репозиторий, но с использованием набора данных EuroSAT

• Классификация земного покрова на спутниковых изображениях с использованием сверточных нейронных сетей с использованием Keras и многоспектрального набора данных, полученных с полей виноградников в долине Салинас, Калифорния

• Обнаружение вырубки лесов по спутниковым изображениям -> с использованием FastAI и ResNet50, с репозиторием fsdl_deforestation_detection.

• Нейронная сеть для классификации спутниковых данных с использованием Tensorflow в Python -> Пошаговое руководство по классификации мультиспектральных данных Landsat 5 для двоичного прогнозирования встроенных/непостроенных классов с репозиторием

• Картирование трущоб на основе предварительно обученной сети CNN на изображениях VHR (Плеяды: 0,5 м) и MR (Sentinel: 10 м).

• Сравнение городской среды с использованием спутниковых изображений и сверточных нейронных сетей -> включает интересное исследование функций встраивания изображений, извлеченных для каждого изображения в наборе данных Urban Atlas.

• RSI-CB -> Крупномасштабный эталон классификации изображений дистанционного зондирования на основе данных краудсорсинга. См. также Классификацию изображений дистанционного зондирования.

• NAIP_PoolDetection -> смоделированная как проблема распознавания объектов, CNN используется для идентификации изображений как бассейнов или чего-то еще, в частности, улицы, крыши или лужайки.

• Классификация землепользования и земельного покрова с использованием архитектуры глубокого обучения ResNet -> использует fastai и набор данных EuroSAT

• Вариант использования Vision Transformers: классификация спутниковых изображений без CNN

• WaterNet -> CNN, которая идентифицирует воду на спутниковых изображениях.

• Классификация дорожной сети -> Модель классификации дорожной сети с использованием ResNet-34, органические классы дорог, сетка, радиальная и без шаблона

• Масштабирование ИИ для картирования каждой школы на планете

• Учебное пособие CNN по классификации Landsat с репозиторием

• спутниковая классификация пешеходных переходов

• Понимание тропических лесов Амазонки с помощью многокомпонентной классификации + VGG-19, Inceptionv3, AlexNet и трансферного обучения

• Реализация модели 3D-CNN для классификации земного покрова -> использует набор данных Сундарбанс с репозиторием.

• SSTN -> Спектрально-пространственная преобразовательная сеть для классификации гиперспектральных изображений: структура FAS

• SatellitePollutionCNN -> Новый алгоритм для прогнозирования уровней загрязнения воздуха с высочайшей точностью с использованием глубокого обучения и спутниковых изображений GoogleMaps.

• Классификация недвижимости -> Классификация типа недвижимости с учетом изображений недвижимости, спутниковых изображений и изображений улиц.

• Remote-Sense-Quickstart -> классификация по ряду наборов данных, в том числе с визуализацией внимания

• Классификация спутниковых изображений с использованием нескольких алгоритмов машинного обучения

• satsense -> классификация землепользования/покрова с использованием классических функций, включая HoG и NDVI

• PyTorch_UCMerced_LandUse

• Классификация изображений EuroSAT

• Landcover_classification -> использование fast.ai на EuroSAT

• IGARSS2020_BWMS -> Полосовая многомасштабная архитектура CNN для классификации сцен изображений дистанционного зондирования с новой архитектурой CNN для внедрения функций многомерных изображений RS

• image.classification.on.EuroSAT -> решение на чистом Pytorch

• hurricane_damage -> Оценка ущерба конструкции после урагана на основе аэрофотоснимков

• openai-drivendata-challenge -> Использование глубокого обучения для классификации строительного материала крыш (аэрофотоснимки из Южной Америки)

• is-it-abandoned -> Можем ли мы определить, заброшен ли дом на основе аэрофотоснимков LIDAR?

• BoulderAreaDetector -> CNN для определения того, показывает ли спутниковый снимок, что данная территория является подходящим местом для скалолазания или нет.

• ISPRS_S2FL -> Наборы эталонных данных мультимодального дистанционного зондирования для классификации земного покрова с использованием модели обучения с общими и специфическими признаками

• Обнаружение бразильского кофе -> использует Keras с общедоступным набором данных

• tf-crash-severity -> прогнозировать тяжесть аварии для заданных особенностей дороги, содержащихся на спутниковых изображениях.

• ансамбль_LCLU -> Ансамбли глубоких нейронных сетей для дистанционного зондирования земельного покрова и классификации землепользования

• cerraNet -> контекстно классифицировать типы использования и покрытия в бразильском Серрадо

• Городской анализ с использованием спутниковых изображений -> классифицировать городскую территорию как запланированную или незапланированную, используя комбинацию сегментации и классификации.

• ChipClassification -> Глубокое обучение для мультимодальной классификации сцен облаков, теней и земного покрова на изображениях PlanetScope и Sentinel-2.

• DeeplearningClassficationLandsat-tImages -> Классификация воды/леда/земли с использованием крупномасштабных спутниковых изображений Landsat среднего разрешения

• wildfire-detection-from-satellite-images-ml → определить, содержит ли изображение лесной пожар, с помощью примера веб-приложения flask

• Mining-discovery-with-Deep Learning -> Обнаружение плотин горнодобывающей промышленности и хвостохранилищ на спутниковых снимках с использованием глубокого обучения

• Платформа электронного фермерства -> классифицировать типы культур

• Sentinel2-deep-learning -> Новые методики обучения классификации земель по изображениям Sentinel-2

• RSSC-передача -> Роль предварительной подготовки в классификации объектов ДЗЗ высокого разрешения

• Классификация фотографий и спутниковых изображений с географической привязкой для поддержки классификации местности -> обнаружение наводнений

• Обратите больше внимания -> Классификация сцен изображений дистанционного зондирования на основе модуля расширенного внимания

• Классификация изображений дистанционного зондирования с помощью улучшенной стратегии перекрестных энтропийных потерь и трансферного обучения на основе глубоких сверточных нейронных сетей

• DenseNet40-for-HRRSISC -> DenseNet40 для классификации сцен изображений дистанционного зондирования, использует набор данных UC Merced

• SKAL -> Присмотримся к сцене: обучение многомасштабному представлению для классификации сцен изображений дистанционного зондирования

• potsdam-tensorflow-practice -> классификация изображений набора данных Потсдама с использованием тензорного потока

• SAFF -> Глубокое объединение функций на основе самообслуживания для классификации сцен дистанционного зондирования

• GLNET -> Классификация сцен дистанционного зондирования на основе сверточных нейронных сетей в ясной и облачной среде

• Классификация изображений дистанционного зондирования -> передача обучения с использованием pytorch для классификации данных дистанционного зондирования на три класса: самолеты, корабли, нет

• Remote_sensing_pretrained_models -> в качестве альтернативы точной настройке моделей, предварительно обученных в ImageNet, здесь некоторые CNN предварительно обучаются на наборах данных RSD46-WHU и AID.

• CNN_AircraftDetection -> CNN для обнаружения самолетов на спутниковых изображениях с использованием кераса

• OBIC-GCN -> Объектно-ориентированная система классификации изображений дистанционного зондирования с графовыми сверточными сетями

• aitlas-arena -> Эталонная платформа с открытым исходным кодом для оценки современных подходов глубокого обучения для классификации изображений в наблюдениях Земли (EO)

• Droughtwatch -> Спутниковый прогноз условий кормления скота в Северной Кении

• JSTARS_2020_DPN-HRA -> Глубокие прототипные сети с гибридным остаточным вниманием для классификации гиперспектральных изображений

• SIGNA -> Семантическое перемежение внимания глобального канала для классификации изображений дистанционного зондирования по нескольким меткам

• Классификация спутниковых изображений с использованием данных rmldnn и Sentinel 2

• PBDL -> Дискриминационное обучение на основе патчей для классификации сцен дистанционного зондирования

• EmergencyNet -> распознавать пожар и другие чрезвычайные ситуации с помощью дрона.

• Satellite-Deforestation -> Использование спутниковых изображений для определения основных показателей вырубки лесов применительно к задаче Kaggle «Понимание Амазонки из космоса»

• RSMLC -> Глубокие сетевые архитектуры как средства извлечения признаков для классификации изображений дистанционного зондирования по нескольким меткам

• FireRisk -> Набор данных дистанционного зондирования для оценки пожарного риска с использованием контрольных показателей с использованием контролируемого и самоконтролируемого обучения

• Flood_susceptibility_mapping -> На пути к картированию восприимчивости городов к наводнениям с использованием моделей на основе данных в Берлине, Германия

• тик-тик-блум -> Победители конкурса Tick Tick Bloom: конкурс по обнаружению вредного цветения водорослей. Задача заключалась в том, чтобы спрогнозировать интенсивность цветения водорослей, победители использовали деревья решений.

• Оценка работы угольной электростанции по спутниковым изображениям с помощью компьютерного зрения -> используйте данные Sentinel 2, чтобы определить, включена или выключена угольная электростанция, с набором данных и репозиторием.

• Обнаружение зданий и распознавание типов крыш -> Подход на основе CNN для автоматического обнаружения зданий и распознавания типов крыш с использованием одного аэрофотоснимка

• Сравнение производительности мультиспектральных каналов для классификации землепользования -> Реализованы ResNet-50, ResNet-101, ResNet-152, Vision Transformer на RGB и мультиспектральные версии набора данных EuroSAT.

• SNN4Space -> проект, который исследует возможность использования пиковых нейронных сетей (SNN) в задачах классификации земного покрова и землепользования.

• классификация судов -> классифицировать суда и определять поведение рыболова на основе данных AIS

• RSMamba -> Классификация изображений дистанционного зондирования с использованием модели пространства состояний

• BirdSAT -> Автоэнкодеры с контрастной маской перекрестного обзора для классификации и картографирования видов птиц

• EGNNA_WND -> Оценка наличия болезни Западного Нила с использованием нейронной сети графа

• cyfi -> Оценить плотность цианобактерий на основе спутниковых снимков Sentinel-2

Сегментация

(слева) спутниковое изображение и (справа) семантические классы изображения.

Сегментация изображения — решающий шаг в анализе изображений и компьютерном зрении, целью которого является разделение изображения на семантически значимые сегменты или области. В процессе сегментации изображения каждому пикселю изображения присваивается метка класса, что эффективно преобразует изображение из двумерной сетки пикселей в двумерную сетку пикселей с назначенными метками классов. Одним из распространенных применений сегментации изображений является сегментация дорог или зданий, цель которой — идентифицировать и отделить дороги и здания от других объектов на изображении. Для выполнения этой задачи модели одного класса часто обучаются различать дороги и фон или здания и фон. Эти модели предназначены для распознавания определенных характеристик, таких как цвет, текстура и форма, характерных для дорог или зданий, и использования этой информации для присвоения меток классов пикселям изображения. Еще одним распространенным применением сегментации изображений является классификация землепользования или типов сельскохозяйственных культур, цель которой — идентифицировать и нанести на карту различные типы растительного покрова на изображении. В этом случае многоклассовые модели обычно используются для распознавания и различения нескольких классов на изображении, таких как леса, городские районы и сельскохозяйственные угодья. Эти модели способны распознавать сложные взаимосвязи между различными типами растительного покрова, что позволяет более полно понять содержание изображения. Прочтите краткое введение в сегментацию спутниковых изображений с помощью нейронных сетей. Обратите внимание , что многие статьи, в которых говорится о «гиперспектральной классификации земель», на самом деле часто описывают семантическую сегментацию. Источник изображения

Сегментация – землепользование и растительный покров

• U-Net для семантической сегментации несбалансированных аэрофотоснимков -> с использованием набора данных Дубая

• Семантическая сегментация набора данных Дубая с использованием модели TensorFlow U-Net

• nga-deep-learning -> выполняет семантическую сегментацию высокопроизводительных данных GeoTIF с использованием модифицированного U-Net и Keras, опубликованного исследователями НАСА.

• Автоматическое обнаружение свалки с использованием глубокого обучения

• SpectralNET -> 2D-вейвлет CNN для классификации гиперспектральных изображений, использует набор данных сцены Салинас и Keras

• laika -> Цель этого репозитория — исследование потенциальных источников данных спутниковых изображений и реализация различных алгоритмов сегментации спутниковых изображений.

• PEARL -> инструмент искусственного интеллекта с участием человека, позволяющий значительно сократить время, необходимое для создания точной карты землепользования/земельного покрова (LULC), сообщение в блоге, использует планетарный компьютер Microsoft и модели машинного обучения, запускаемые локально в браузере. Код для backelnd и frontend

• Классификация земного покрова с помощью U-Net -> Задача семантической сегментации нескольких классов спутниковых изображений с помощью PyTorch. Реализация U-Net, использует набор данных сегментации земного покрова DeepGlobe с кодом.

• Многоклассовая семантическая сегментация спутниковых изображений с использованием U-Net с использованием набора данных DSTL, тензорного потока 1 и Python 2.7. Сопроводительная статья

• Кодовая база для многоклассовой классификации растительного покрова с U-Net, сопровождающей магистерскую диссертацию, использует Keras.

• dubai-satellite-imagery-segmentation -> из-за небольшого набора данных было использовано увеличение изображения

• CDL-Сегментация -> Классификация земельного покрова и типов сельскохозяйственных культур на основе глубокого обучения: сравнительное исследование. Сравнивает UNet, SegNet и DeepLabv3+

• LoveDA -> Набор данных дистанционного зондирования суши для адаптивной семантической сегментации домена

• Семантическая сегментация спутниковых изображений с помощью CNN -> 7 различных классов сегментации, набор данных DeepGlobe Land Cover Classification Challenge, с репозиторием

• Воздушная семантическая сегментация с использованием средней статьи U-Net Deep Learning Model с репозиторием

• UNet-Satellite-Image-Segmentation -> Реализация Tensorflow легкой структуры семантической сегментации UNet

• Решение проблемы классификации земельного покрова DeepGlobe

• Семантическая сегментация с помощью PyTorch-Satellite-Imagery -> прогнозирование 25 классов на изображениях RGB, полученных для оценки ущерба после урагана Харви

• Семантическая сегментация с помощью изображений Sentinel-2 -> использует набор данных LandCoverNet и fast.ai

• CNN_Enhanced_GCN -> Сверточная сеть с расширенными графами CNN со слиянием функций на уровне пикселей и суперпикселей для классификации гиперспектральных изображений

• LULCMapping-WV3images-CORINE-DLMethods -> Картирование землепользования и земного покрова с использованием подходов сегментации на основе глубокого обучения и изображений VHR Worldview-3

• MCANet -> Совместная система семантической сегментации оптических и радиолокационных изображений для классификации землепользования. Использует набор данных WHU-OPT-SAR.

• МУнет-ЛУК

• Land-cover -> Обобщение модели в приложениях глубокого обучения для картографирования земного покрова

• Generalizablersc -> Обучение между наборами данных для обобщенной классификации сцен землепользования

• Крупномасштабная автоматическая идентификация пустующих городских земель -> Крупномасштабная автоматическая идентификация пустующих городских земель с использованием семантической сегментации изображений дистанционного зондирования высокого разрешения.

• SSLTransformerRS -> Трансформаторы машинного зрения с самоконтролем для сегментации и классификации земного покрова

• aere-tile-segmentation -> Семантическая сегментация больших спутниковых изображений на 6 классов с использованием Tensorflow 2.0 и эталонного набора данных ISPRS.

• LULCMapping-WV3images-CORINE-DLMethods -> Картирование землепользования и земного покрова с использованием подходов сегментации на основе глубокого обучения и изображений VHR Worldview-3

• DCSA-Net -> Сеть самообслуживания динамической свертки для классификации земного покрова на изображениях дистанционного зондирования VHR

• CHeGCN-CNN_enhanced_Heterogeneous_Graph -> Сверточная сеть гетерогенных графов с расширенными CNN: определение землепользования на основе земельного покрова на примере сегментации парка

• TCSVT_2022_DGSSC -> DGSSC: глубокий генеративный спектрально-пространственный классификатор для несбалансированных гиперспектральных изображений

• DeepForest-Wetland-Paper -> классификатор Deep Forest для картирования водно-болотных угодий с использованием комбинации данных Sentinel-1 и Sentinel-2, ГИС-науки и дистанционного зондирования.

• Wetland_UNet -> модели UNet, которые могут очерчивать водно-болотные угодья с использованием ввода данных дистанционного зондирования, включая полосы от Sentinel-2 LiDAR и геоморфонов. Центр инноваций охраны природы Чесапика и защитников дикой природы.

• DPA -> DPA — это метод неконтролируемой доменной адаптации (UDA), применяемый к различным спутниковым изображениям для крупномасштабного картографирования земного покрова.

• Dynamicworld -> Динамический мир, глобальное картографирование земельного покрова на расстоянии 10 м почти в реальном времени

• spada -> Сегментация земного покрова с редкими аннотациями по изображениям Sentinel-2

• M3SPADA -> Мультисенсорная временная неконтролируемая адаптация домена для картирования земного покрова с пространственной псевдомаркировкой и состязательным обучением

• GLNet -> Совместные глобально-локальные сети для эффективной сегментации памяти изображений сверхвысокого разрешения

• LoveNAS -> LoveNAS: к многосценовому картированию земного покрова с помощью адаптивной сети иерархического поиска

• Задача FLAIR-2 -> Задача семантической сегментации и адаптации предметной области, предложенная Французским национальным институтом географической и лесной информации (IGN)

• чутье-2 решение на 8 месте

Сегментация: растительность, вырубка лесов, посевы и границы посевов.

Обратите внимание, что обнаружение вырубки лесов можно рассматривать как задачу сегментации или задачу обнаружения изменений.

• DetecTree -> Обнаружение деревьев по аэрофотоснимкам в Python, классификатору LightGBM пикселей деревьев и не-деревьев по аэрофотоснимкам.

• Обнаружение границ поля Сrор: подходы и основные проблемы -> Статья среднего размера, охватывающая исторические и современные подходы

• kenya-crop-mask -> Ежегодное и сезонное картирование посевов в Кении - классификатор LSTM для классификации пикселей на наличие или отсутствие урожая в пикселях, а также многоспектральный прогнозист, который предоставляет 12-месячные временные ряды с учетом частичных входных данных. Набор данных загружен с GEE, а Lightning pytorch используется для обучения.

• Что там растет? Идентификация сельскохозяйственных культур на основе мультиспектральных данных дистанционного зондирования (Sentinel 2) с использованием eo-learn для предварительной обработки данных, обнаружения облаков, расчета NDVI, увеличения изображений и Fastai.

• Классификация видов деревьев на основе данных бортового LiDAR и гиперспектральных данных с использованием 3D-сверточных нейронных сетей

• классификация типов культур -> использование данных Sentinel 1 и 2 с U-Net + LSTM, больше функций (т. е. полос) и более высокое разрешение дали лучшие результаты (статья, без кода)

• Найдите спортивные площадки с помощью маски R-CNN и наложения на карту открытой улицы.

• LSTM для создания маски обрезки для Того

• DeepSatModels -> Контекстно-контрастная предварительная подготовка для семантической сегментации типов культур

• Farm-pin-Crop-Detection-Challenge -> Использование eo-learn и fastai для идентификации сельскохозяйственных культур на основе многоспектральных данных дистанционного зондирования

• Обнаружение сельскохозяйственных пахотных земель по спутниковым снимкам Sentinel-2 -> Мы разработали UNet-Agri, эталонную модель машинного обучения, которая классифицирует пахотные земли с использованием снимков Sentinel-2 с открытым доступом с пространственным разрешением 10 м.

• DeepTreeAttention -> Реализация Hang et al. 2020 «Классификация гиперспектральных изображений с помощью CNN с концентрацией внимания» для прогнозирования видов деревьев

• Классификация культур -> классификация культур с использованием многовременных спутниковых изображений

• ParcelDelineation -> использование набора данных французских полигонов и unet в keras

• Crop-Mask -> Комплексный рабочий процесс для создания карт пахотных земель высокого разрешения, использует модель GEE и LSTM.

• DeepCropMapping -> многовременной подход глубокого обучения с улучшенной пространственной обобщаемостью для динамического картирования кукурузы и сои, использует LSTM.

• Сегментируйте покров навеса и почву с помощью NDVI и Rasterio

• Используйте кластеризацию KMeans для сегментации спутниковых изображений по растительному покрову/землепользованию.

• ResUnet-a -> платформа глубокого обучения для семантической сегментации данных дистанционного зондирования.

• DSD_paper_2020 -> Классификация типов культур на основе машинного обучения с многовременными данными Sentinel-1

• MR-DNN -> извлечение рисового поля со спутникового снимка Landsat 8

• deep_learning_forest_monitoring -> Картирование лесов и мониторинг африканского континента с использованием данных Sentinel-2 и глубокого обучения

• global-cropland-mapping -> глобальное многовременное картографирование пахотных земель

• U-Net для семантической сегментации полей посевов сои с помощью SAR-изображений

• UNet-RemoteSensing -> использует 7 диапазонов Landsat и keras

• Landuse_DL -> очертить формы рельефа из-за таяния богатой льдом вечной мерзлоты.

• canopy -> Классификатор сверточной нейронной сети идентифицирует виды деревьев в смешанохвойном лесу по гиперспектральным изображениям

• RandomForest-Classification -> Мультисенсорные данные для определения растительных сообществ торфяников с использованием беспилотного летательного аппарата с неподвижным крылом

• Forest_change_detection -> сегментация изменений леса с помощью моделей, зависящих от времени, включая модели Siamese, UNet-LSTM, UNet-diff, UNet3D

• Cultionet -> сегментация обрабатываемых земель, построенная на PyTorch Geometric и PyTorch Lightning.

• Sentinel-tree-cover -> Глобальный метод идентификации деревьев за пределами лесов с закрытым пологом с помощью спутниковых изображений среднего разрешения.

• Crop-type-detection-ICLR-2020 -> Решения-победители конкурса по определению типа сельскохозяйственных культур на семинаре CV4A, ICLR 2020

• Идентификация культур с использованием спутниковых снимков -> Статья среднего размера, введение в идентификацию культур

• S4A-Models -> Различные эксперименты с набором данных Sen4AgriNet

• alert-mechanism-unet -> U-Net на основе внимания для обнаружения вырубки лесов на изображениях спутниковых датчиков.

• Cocoa_plantations_detection -> Обнаружение плантаций какао в Кот-д’Ивуаре с использованием данных дистанционного зондирования Sentinel-2 с использованием KNN, SVM, Random Forest и MLP

• SummerCrop_Deeplearning -> Модель классификации с возможностью переноса обучения и оценка связывания углерода сельскохозяйственными культурами в экосистеме сельскохозяйственных угодий

• DeepForest — это пакет Python для обучения и прогнозирования крон отдельных деревьев по аэрофотоснимкам RGB.

• Официальный репозиторий задания «Определение деревьев на спутниковых снимках» от Omdena.

• Подсчет деревьев с использованием спутниковых изображений -> создать инвентарь входящих и исходящих деревьев для ежегодной проверки деревьев, использует керас и семантическую сегментацию.

• Статья о природе 2020 г. - Неожиданно большое количество деревьев в западноафриканской Сахаре и Сахеле -> система обнаружения деревьев на основе U-Net и tensorflow 2 с кодом здесь

• TreeDetection -> Цветовой классификатор для обнаружения деревьев в данных изображений Google, а также визуальная локализация деревьев и расчет размера кроны с помощью OpenCV.

• PTDM -> Метод обнаружения дерева помело, основанный на механизме внимания и межуровневом слиянии функций

• Urban-tree-detection -> Обнаружение отдельных деревьев в крупномасштабной городской среде с использованием мультиспектральных изображений высокого разрешения. С набором данных

• BioMassters_baseline -> базовый базовый уровень молнии pytorch с использованием UNet для начала работы с задачей BioMassters (оценка биомассы)

• Победители биомассы -> 3 лучших решения

• Решение kbrodt biomassters -> решение 1-го места

• Раствор для биомассы quqixun

• оценка биомассы -> из Азавеи, применено к Sentinel 1 и 2

• 3DUNetGSFormer -> Конвейер глубокого обучения для комплексного картирования водно-болотных угодий с использованием генеративно-состязательных сетей и преобразователя Swin.

• SEANet_torch -> Использование семантической многозадачной нейронной сети с распознаванием границ для определения границ сельскохозяйственных участков по изображениям дистанционного зондирования

• арборайзер -> Сегментация и классификация крон деревьев

• ReUse -> REgressive Unet для хранения углерода и оценки надземной биомассы

• unet-sentinel -> UNet для обработки изображений SAR Sentinel-1 для выявления вырубки лесов

• MaskedSST -> Трансформаторы маскированного зрения для классификации гиперспектральных изображений

• UNet-defmapping -> магистерская диссертация с использованием UNet для картирования вырубки лесов с использованием изображений Sentinel-2 уровня 2A, примененных к набору данных тропических лесов Амазонки и Атлантического океана.

• cvpr-multiearth-deforestation-segmentation -> мультимодальная запись в Unet о проблеме вырубки лесов CVPR Multiearth 2023

• контролируемая-классификация-пшеницы-с использованием-pytorchs-torchgeo -> контролируемая классификация пшеницы с использованием torchgeo

• TransUNetplus2 -> TransU-Net++: Переосмысление закрытой TransU-Net для картирования вырубки лесов. Использует набор данных о лесах Амазонии и Атлантического океана.

• Модель высоты купола Земли в высоком разрешении -> Модель высоты купола Земли в высоком разрешении

• Radiant Earth Spot the Crop Challenge -> Модели-победители конкурса Radiant Earth Spot the Crop Challenge используют временные ряды мультиспектральных данных Sentinel-2 для классификации сельскохозяйственных культур в Западно-Капской провинции Южной Африки. Другое решение

• Transfer-field-delineation -> Многорегиональное обучение для сегментации границ полей на спутниковых изображениях с ограниченными метками

• mowing-detection -> Автоматическое обнаружение скашивания и выпаса по изображениям Sentinel.

• PTAViT3D и PTAViT3DCA -> Борьба с пушистыми облаками: определение границ полей с использованием временных рядов изображений S2 и/или S1.

• ai4boundaries -> пакет Python, который упрощает загрузку набора данных AI4boundaries.

Сегментация: вода, береговые линии, реки и наводнения.

• pytorch-waterbody-segmentation -> модель UNET, обученная на наборе данных спутниковых изображений водных объектов от Kaggle. Модель размещена на Hugging Face Spaces.

• Обнаружение и анализ наводнений с использованием UNET с Resnet-34, поскольку в основе используется fastai

• Автоматическое обнаружение наводнений по спутниковым изображениям с использованием глубокого обучения

• UNSOAT использовало fastai для обучения Unet выполнять семантическую сегментацию спутниковых изображений для обнаружения воды.

• Полуконтролируемая классификация и сегментация аэрофотоснимков высокого разрешения – решение проблемы FloodNet

• Houston_flooding -> помечает каждый пиксель как затопленный или не использующий данные урагана Харви. Набор данных состоял из изображений до и после наводнения, а наземная маска паводковой воды была создана с использованием неконтролируемой кластеризации (с помощью DBScan) пикселей изображения с проверкой/настройкой кластера человеком.

• ml4floods -> экосистема данных, моделей и конвейеров кода для решения проблемы лавинной рассылки с помощью машинного обучения.

• Подробное руководство по началу участия в конкурсе ETCI по обнаружению наводнений -> использование Sentinel1 SAR и pytorch.

• Карта «Потоп» изображений SAR с помощью SageMaker -> применено к набору данных Sentinel-1

• Решение, занявшее первое место для STAC Overflow: Map Floodwater на основе радиолокационных изображений, размещенных Microsoft AI for Earth -> объединяет Unet с классификатором Catboost, беря их максимумы, а не среднее значение

• Hydra-Floods -> приложение Python с открытым исходным кодом для загрузки, обработки и доставки карт поверхностных вод, полученных на основе данных дистанционного зондирования.

• CoastSat -> инструмент для картирования береговых линий, имеющий расширение CoastSeg с использованием моделей сегментации.

• Satellite_Flood_Segmentation_of_Harvey -> исследует как глубокое обучение, так и традиционные методы кмсредства.

• Обнаружение наводнений с использованием спутниковых изображений

• ETCI-2021-Конкурс по обнаружению наводнений -> Эксперименты по сегментации наводнений на изображениях SAR Sentinel-1 с циклической псевдомаркировкой и зашумленным обучением студентов

• FDSI -> Обнаружение наводнений на спутниковых изображениях - Задача мультимедийного спутника 2017 г.

• deepwatermap -> модель глубины, которая сегментирует воду на мультиспектральных изображениях

• rivamap -> автоматизированный механизм анализа и картографирования рек.

• глубоководье -> отслеживать изменения уровня воды

• WatNet -> Глубокая ConvNet для картографирования поверхностных вод на основе изображения Sentinel-2, использует набор данных о поверхностных водах Земли.

• AU-Net-для картографирования масштабов наводнений

• floatobjects -> К ОБНАРУЖЕНИЮ ПЛАВАЮЩИХ ОБЪЕКТОВ В ГЛОБАЛЬНОМ МАСШТАБЕ С ИЗУЧЕННЫМИ ПРОСТРАНСТВЕННЫМИ ХАРАКТЕРИСТИКАМИ С ИСПОЛЬЗОВАНИЕМ SENTINEL 2. Использует U-Net и pytorch

• SpaceNet8 -> базовое решение Unet для обнаружения затопленных дорог и зданий

• dlsim -> Преодолев границы дистанционного зондирования с помощью моделирования и глубокого обучения для картирования наводнений и селевых потоков

• Water-HRNet -> HRNet обучен на Sentinel 2

• модель семантической сегментации для выявления вновь освоенных или затопленных земель с использованием изображений NAIP, предоставленных Chesapeake Conservancy, обучение работе с MS Azure

• BandNet -> Анализ и применение мультиспектральных данных для сегментации воды с использованием машинного обучения. Использует данные Sentinel-2.

• mmflood -> MMFlood: мультимодальный набор данных для определения границ паводков по спутниковым снимкам (Sentinel 1 SAR)

• Urban_flooding -> На пути к переносимым моделям на основе данных для прогнозирования глубины городских плювиальных паводковых вод в Берлине, Германия

• Картирование наводнений с использованием спутниковых изображений -> магистерская диссертация, сравнивающая случайный лес и Unet

• MECNet -> Богатые функции CNN для сегментации водных объектов по аэрофотоснимкам и спутниковым изображениям очень высокого разрешения.

• SWRNET -> Подход глубокого обучения для распознавания небольших участков поверхностной воды на борту спутника

• elwha-segmentation -> точная настройка Meta's Segment Anything (SAM) для сегментации пикселей реки с высоты птичьего полета, со статьей Medium

• RiverSnap -> код для бумаги: Сравнительный анализ производительности популярных моделей глубокого обучения и модели Segment Anything (SAM) для сегментации речной воды на изображениях дистанционного зондирования с близкого расстояния

Сегментация: зоны пожара, дыма и горения

• SatelliteVu-AWS-Disaster-Response-Hackathon -> прогнозирование распространения пожара с использованием классического машинного обучения и глубокого обучения

• Обнаружение диких пожаров с использованием U-Net, обученного на Databricks и Keras, семантическая сегментация

• Практический метод мониторинга горящих территорий с высоким разрешением с использованием Sentinel-2 и VIIRS

• Геопространственное прогнозирование риска лесных пожаров с помощью искусственного интеллекта -> прогнозная модель, использующая геопространственные растровые данные для оценки потенциальной опасности лесных пожаров на прилегающей территории Соединенных Штатов с использованием Unet.

• IndustrialSmokePlumeDetection -> использование Sentinel-2 и модифицированного ResNet-50.

• обнаружение сожженной области -> использует Sentinel-2

• спасение -> Внимание к пожарам: многоканальные модели глубокого обучения для прогнозирования серьезности лесных пожаров

• Smoke_segmentation -> Сегментация шлейфов дыма и прогнозирование плотности по изображениям GOES

• wildfire-detection -> Использование Vision Transformers для улучшения обнаружения лесных пожаров на спутниковых изображениях

• Burned_Area_Detection -> Обнаружение сгоревших участков по данным Sentinel-2

• burn-area-baseline -> базовая модель unet, сопровождающая спутниковый набор данных о сожженных территориях (Sentinel 1 и 2)

• Burn-area-seg -> Сегментация сгоревшей области из Sentinel-2 с использованием многозадачного обучения

• chabud2023 -> Обнаружение изменений для задачи определения границ выгоревшей территории (ChaBuD) ECML/PKDD 2023

• Сообщение об обнаружении возгораний от лесного пожара с использованием Siamese-UNet -> в наборе данных Чадбуда

• vit-burned-detection -> Трансформаторы Vision при определении границ зоны ожога

Сегментация – оползни

• Landslide-sar-unet -> Глубокое обучение для быстрого обнаружения оползней с использованием блоков данных радара с синтезированной апертурой (SAR)

• Оползневое мнение с CNN-> Новая стратегия для картирования оползней с обобщенной сверточной нейронной сетью

• RELICT_LANDSLIDES_CNN_KMEANS-> Обнаружение оползней реликтов в районах тропических лесов, используя комбинацию алгоритма кластеризации K-средних и моделей семантической сегментации

• Оползневое сочетание на сар-дата-б-концерне-u-net-> Быстрое картирование оползня по данным SAR с помощью Ute-Net

• SAR-LANDSLIDE-DETETICTION-PRETRICEPING-> Классификация оползней на основе SAR Предварительная подготовка приводит к лучшей сегментации

• Картирование оползней из изображений Sentinel-2 через обнаружение изменений

Сегментация - ледники

• Hed -Unet -> Модель для одновременной семантической сегментации и обнаружения краев, приведенными примерами являются ледниковые фронты и следов здания с использованием набора данных маркировки воздушного изображения Inria

• GLACIER_MAPPAIN

• Glacier-Detect-ML-> Простая модель логистической регрессии для идентификации ледника в сателлитных изображениях Landsat

• GlaciersEmanticseSementation

• Антарктическое-фракционное обнаружение-> использует UNET с мозаикой Modis of Antarctica для обнаружения поверхностных переломов

Сегментация - Другая экологическая

• Обнаружение открытых свалок -> использует Sentinel -2 для обнаружения больших изменений в нормализованном коэффициенте ожога (NBR)

• SEA_ICE_REMOTE_SENSING -> Классификация концентрации морского льда

• Метановое обнаружение-фр-гиперспектрально-заморожение

• Methan-Emission-Project-> Классификация CNNs была объединена в ансамблевом подходе с традиционными методами на табличных данных

• CH4NET -> Быстрая, простая модель для обнаружения метана с использованием Sentinel -2

• Eddynet -> Глубокая нейронная сеть для пиксельной классификации океанических вихрей

• Шисто -вегетатация -> сегментация глубокого обучения спутниковых изображений идентифицирует водную растительность, связанную с промежуточными хозяевами улитки шистосомоза в Сенегале, Африка

• EarthFormer -> Изучение пространственных временных трансформаторов для прогнозирования системы Земли

• Weather4cast-2012-> Базовая модель Unet-3D для конкурса прогнозирования фильмов о дождевых фильмах Weather4caS

• Weatherfusionnet -> Прогнозирование осадков из спутниковых данных. Weather4cast-2022 1-е место решение

• Marinenebrisdetector-> крупномасштабное обнаружение морского мусора в прибрежных районах с Sentinel-2

• Kaggle-идентификация Contrails-4th-> 4-е место, Google Research-Определите контралогии, чтобы уменьшить глобальное потепление

• Minesegsat -> Автоматизированная система для оценки добычи, нарушенных добычи, из -за изображений Sentinel -2

• StarCop: семантическая сегментация метана плетения с моделями гиперспектрального машинного обучения

• ASOS -> распознавание защищенных и антропогенных закономерности в ландшафтах с использованием интерпретируемого машинного обучения и спутниковых изображений

Сегментация - дороги и тротуары

Извлечение дорог является сложной задачей из -за окклюзий, вызванных другими объектами и сложной дорожной средой

• Chesapeakersc -> сегментация для извлечения дорог с фона, но дополнительно оценивается по тому, как они работают на классе «дерево над дорогой»

• Обнаружение дороги с использованием семантической сегментации и лиммирования для разжигания данных с использованием набора данных Massachusetts Roads, U-Net & Keras. С кодом

• Ml_epfl_project_2 -> U -Net в Pytorch для выполнения семантической сегментации дорог на спутниковых изображениях

• Семантическая сегментация дорог с использованием U-Net Keras, Data OSM, Сводка проекта от студента, без кода

• Победные решения от Spacenet Droat

• RoadVecnet-> Road-Network-сегментация и векторизация в керах с набором данных

• Обнаружение дорожных и дорожных ноутбуков Jupyter

• Awesome Deep-карта-> курированный список ресурсов, посвященных алгоритмам глубокого обучения / компьютерного зрения для картирования. Проблемы картирования включают вывод дорожной сети, извлечение следа здания и т. Д.

• Roadtracer: автоматическое извлечение дорожных сетей из аэрофотоснимков -> использует итеративный процесс поиска, руководствуясь функцией принятия решений на основе CNN, чтобы вывести график дорожного сети непосредственно с вывода CNN

• Road_detection_mtl -> Обнаружение дорог с использованием методики обучения с несколькими задачами для повышения производительности задачи обнаружения дорог путем включения предварительных ограничений знаний, использует набор данных Spacenet Roads

• Road_connectivity -> Улучшение дорожного соединения путем совместного обучения ориентации и сегментации (CVPR2019)

• Экспрессия дорожного сеть с использованием классической обработки изображений-> Обнаружение размытого и хиттого края

• Spin_roadmapper -> Извлечение дорог из аэрофотоснимков с помощью пространственного и рассуждения о пространственном и взаимодействующем космическом графике для автономного вождения

• ROAD_EXTRACTION_REMOTE_SENSING -> Pytorch Реализация, CVPR2018 DeepGlobe Road Challenge. См. Также DeepGlobe-Hroad-Extaction-Schallenge

• Набор данных Roaddetections от Microsoft

• Coanet -> Сеть внимания подключения для извлечения дорог из спутниковых изображений. Модуль COA включает в себя графическую информацию, чтобы гарантировать, что подключение дорог лучше сохранилось

• Спутниковые изображения сегментация дороги -> Вступление в артикулу на среде с использованием набора данных Kaggle Massachusetts Roads

• Метки -пиксели -> для семантической сегментации дорог и других функций

• Спутниковая имаправочная эксплуатация

• ROAD_BUILDING_EXTRACTION -> Pytorch Внедрение архитектуры U -NET для извлечения дорог и зданий

• RCFSNET -> Извлечение дороги из спутниковых изображений по контексту дорожного движения и полноценной функции

• SGCN-> Сплит с распределенной глубиной разделяемая сеть граф-конвульции для извлечения дорог в сложных средах из изображений с дистанционным разрешением высокого разрешения

• ASPN -> Сегментация дороги для изображений дистанционного зондирования с использованием состязательных пространственных пирамидных сетей

• FCNS-FOR-HOAD-EXTRACTION-KERAS-> Добавление дорожных снимков с высоким разрешением изображений дистанционного зондирования на основе различных семантических сегментационных сетей

• Cresi -> Извлечение дорожной сети из спутниковых изображений, со скоростью и временем в пути

• D -Linknet -> Linknet с предварительно проведенным энкодером и расширенной сверткой для получения спутниковых изображений с высоким разрешением.

• SAT2GRAPH -> Извлечение дорожного графа с помощью кодирования графика -тензора

• Сегментация изображения) -> Использование набора данных Massachusetts Road и Fast.ai

• Roadtracer -M -> Извлечение дорожной сети со спутниковых изображений с использованием сегментации и трассировки на основе CNN

• ScroAdextractor -> на основе Scribble слабо контролировал глубокое обучение для извлечения поверхности дорожного движения из изображений дистанционного зондирования

• Roadda -> Стадия неконтролируемой адаптации домена с состязательной самоуничностью для сегментации дорожного движения с изображениями дистанционного зондирования

• DeepSegmentor -> Pytorch Реализация проектов DeepCrack и Roadnet

• Каскадное остаточное внимание Увеличение добычи дороги из дистанционного зондирования изображений

• NL-Linknet-> к более легкой, но более точной извлечении дорог с помощью нелокальных операций

• IRSR -Net -> Сетя обнаружения дорог с помощью легкой дистанционной зондирования

• Hironex -> Инструмент Python для автоматического, полностью неконтролируемого извлечения исторических дорожных сетей с исторических карт

• Road_detection_model -> Картирование дорог в бразильской амазонке с искусственным интеллектом и Sentinel -2

• DTNET-> Обнаружение дороги через сеть с двумя задачами на основе модулей слияния с межслойным графом

• Автоматическое эксплуатация из-за гисторических карт, использующих дип-технологий

• ISTANBUL_DATASET -> Сегментация на наборах данных ISTANBUL, INRIA и MASSACHUSETTS

• Сегментация дороги-> сегментация дороги на спутниковых изображениях с использованием CNN (U-Nets и FCN8) и логистической регрессии

• D -Linknet -> 1 -е место в растворе в DeepGlobe Road Austraction Challenge

• Detect Park-> Парк-получение: к эффективному многозадачным спутниковым изображениям.

• Tile2net -> Сопоставление Walk: масштабируемый подход компьютерного зрения для генерации наборов данных по тротуару из воздушных изображений

• AerialLanenet-> Строительные карты на уровне полосы движения от аэрофотоснимков, представлены набор данных Aerial Lane (AEL): первый крупномасштабный набор данных воздушного изображения, созданный для обнаружения полосы движения

• SAM_ROW -> Сегмент что -нибудь модель (SAM) для крупномасштабного векторизованного извлечения дорожной сети из воздушных изображений.

• LRDNet -> Легкий алгоритм обнаружения дорог, основанный на многомасштабной сети внимания и сопряженной головы декодера

• Тонкоразированная добыча дорожных сетей посредством совместного изучения подключения и сегментации -> Использует набор данных Spacenet 3

Сегментация - здания и крыши

• Семантическая сегментация дороги и здания в спутниковых изображениях использует U-сеть на наборе данных Massachusetts Roads & Keras

• Найдите несанкционированные конструкции, используя аэрофотосъемку -> Создание наборов данных

• Srbuildseg-> Создание спутниковых изображений с низким разрешением восстановления: глубокий подход к извлечению суперрелюции для извлечения зданий

• Построение следов обнаружения с FASTAI в сложном наборе данных Spacenet7 Использование U-Net & FASTAI

• Pix2pix-for-semantic-segmation-of-satellite-images-> Использование сети Pix2pix Gan для сегментации здания из спутниковых изображений использует Tensorflow

• Spacenetunet -> Базовая модель -это U -сетевая, применяемая для данных Spacenet Vegas, используя керас

• Установка автоматизированного строительства-> Вход: Сателлитные изображения RGB с очень высоким разрешением (<= 0,5 м/пиксель). Вывод: здания в векторном формате (Geojson), которые будут использоваться в продуктах цифровой карты. Построен на вершине Robosat и Robosat.pink.

• Project_sunroof_india -> Проанализированные спутниковые изображения Google для создания отчета о потенциале солнечной энергии на крыше отдельного дома, используя ряд классических методов компьютерного зрения (например, обнаружение хитрый край), чтобы сегментировать крыши

• Совместное сети-коммун-сети-сетка для дороги и строительства

• Картирование зданий Африки со спутниковыми изображениями: сообщение в блоге Google AI. Смотрите набор данных с открытым строительством

• nz_convnet -> u -Net Convnet для новозеландских изображений для классификации контуров здания

• PolyCnn-> сквозное обучение полигонов для классификации изображений дистанционного зондирования

• spacenet_building_detection Solution от Motokimura с использованием unet

• VEC2InStance -> Применяется к Spacenet Challenge AOI 2 (Вегас) набор данных по зданию, TensorFlow v1.12

• EarthquadeAmagedetection -> Сегментация зданий от спутниковых изображений и классификации повреждений для каждой сборки, используя керас

• Semantic-Segmation Repo от Fuweifu-Vtoo-> Использование наборов данных Pytorch и Massachusetts Buildings & Roads

• Извлечение зданий и дорог из AWS Open Data с использованием Amazon SageMaker -> с Repo

• TF -Segnet -> Airnet -это сегментационная сеть, основанная на Segnet, но с некоторыми модификациями

• RGB-FOOTPRINT-EXTRACT-> Семантическая сеть сегментации для извлечения следа здания в городских масштабах с использованием спутниковых изображений RGB, модуля DeeplavV3+ с расширенным основанием Resnet C42

• SpaceneTexploration -> Пример проекта, демонстрирующий, как извлекать здания следов из спутниковых изображений с использованием модели семантической сегментации. Данные от Spacenet Challenge

• Сегментация крыши на крыше-> VGG-16, сегментация экземпляра, использует набор данных AIRS

• Сопоставление солнечных ферментов-> Набор данных искусственного интеллекта для мест солнечной энергии в Индии

• Птица-кафос-> Это репо содержит код для обнаружения птичьих сарая из воздушных изображений с высоким разрешением и сопровождающий набор данных прогнозируемых сараев в Соединенных Штатах

• SSAI -CNN -> Это реализация методов диссертации Volodymyr MNIH на своем наборе данных Massachusetts Road & Building

• Удаленное определение строительства-экстракция к 3D-модели, используя и тразубцы

• Сегментация с усиленной-рисункой-> извлечение городских зданий в области Даджона с использованием модифицированного остаточного U-Net (модифицированная респондент) и применение пост-обработки

• Маска Rcnn для Spacenet от обнаружения здания Надира

• GRSL_BFE_MA -> Извлечение следов зданий на основе глубокого обучения с отсутствующими аннотациями с использованием новой функции потери

• FER -CNN -> Обнаружение, классификация и граничная регуляризация зданий в спутниковых снимках с использованием более быстрого краевой области сверточные нейронные сети

• UNET-Image-Segmation-Satellite-Picture-> UNET, чтобы предсказать вершины крыши на наборе данных Crowed AI, используя керас

• Генерация вектора-карты-из-э-ээриальной моменты, использующую дип-лечебно-лечебное, гео-пространственное-> применяемые к изображениям с геореферентами, которые имеют очень большой размер> 10K x 10K пикселей

• Строительный футпнт-сегментация-> Установочная библиотека PIP для обучения сегментации здания на сателлитах и ​​воздушных изображениях, применяемых к набору данных Massachusetts Buildings и набора данных Aerial Image Inria

• Semsegbuildings -> Проект с использованием Fast.ai Framework для семантической сегментации на наборе данных сегментации здания Inria

• Fcnn -example -> переоценка до заданного единственного изображения для обнаружения домов

• SAT2LOD2-> Программное обеспечение с поддержкой на основе Python на основе Python, которое принимает спутниковые изображения в качестве входов и возвращает модели здания LOD2 в качестве выходов

• Satfootprint -> Сегментация здания на наборе данных Spacenet 7

• Выявление здания -> Эксперимент с растровым зрением для обучения модели для обнаружения зданий из спутниковых снимков в трех городах в Латинской Америке

• Multi-Building-Tracker-> Multi-Target Building Tracker для спутниковых изображений с использованием глубокого обучения

• Семантическая сегментация улучшения границ для извлечения зданий

• Код кераса для бинарной семантической сегментации

• Космическое обеспечение обнаружения

• LGPnet-BCD-> Обнаружение изменения здания для изображений дистанционного зондирования VHR через локальную глобальную сеть пирамид и стратегию обучения передачи перекрестной задачи

• Mtl_homoscedastic_srb -> многозадачная структура глубокого обучения для создания сегментации следа

• UNET_CNN -> UNET MODEL для сегмента здания в Бостоне с использованием данных дистанционного зондирования использует керас

• FDANET-> Полноуровневая доменная адаптация для извлечения зданий в оптических изображениях с дистанционным давлением с очень высоким разрешением

• CBRNET-> Сеть уточнения с грубым до образования границ для извлечения из извлечения из снимков дистанционного зондирования

• ASLNET -> Обучение форме состязания для извлечения извлечения в изображениях дистанционного зондирования VHR

• Brrnet -> Полностью сверточная нейронная сеть для автоматического извлечения зданий из изображений дистанционного зондирования с высоким разрешением

• Многомасштабное фильтрация-строительство-индекс-> Индекс масштабной фильтрации для извлечения зданий в очень высоком разрешении спутниковых снимков

• Модели для дистанционного зондирования -> длинный список неэт и т. Д., Применяемые к обнаружению здания

• Boundary_loss_for_remote_sensing -> Потеря границы для получения семантической сегментации

• Open Cities AI Challenge -> Сегментирование зданий для устойчивости к стихийным бедствиям. Победные решения на GitHub

• MAPNet -> Multi посещаемого пути Нейронная сеть для извлечения следа с помощью съемки от дистанционного зондирования

• Dual -Hrnet -> Локализация зданий и классификация их уровня ущерба

• ESFnet -> Эффективная сеть для извлечения зданий из воздушных изображений с высоким разрешением

• Накрытие на крыше-питоне-> Обнаружение крыш из спутниковых изображений с низким разрешением и вычислить область для выращивания и солнечной панели с использованием классических методов компьютерного зрения

• keras_segmentation_models -> Использование пространственных данных на основе векторов для создания семантических наборов данных для сегментации построения для растровых данных

• CVCMFFNET -> Сложный сохраненный и многофункциональный фьюжнсет

• Steb-Unet-> Suin Transformer Codiing Booster, интегрированный в U-образную сеть для извлечения зданий

• DFC2020_BASELINE-> Базовое решение для IEEE GRSS Data Fusion Contest 2020. Прогнозируйте этикетки на земле от Sentinel-1 и Sentinel-2

• Соединение нескольких моделей сегментации на основе различных наборов данных в одну развертываемую краю модели -> сегментация крыши, автомобиля и дороги

• Заземляющая-суровая сегментация-> Используйте Pix2pix, чтобы сегментировать след здания. Используемый набор данных - это воздух

• Unicef ​​-giga_sudan -> Обнаружение школьных участков из спутниковых изображений в южном Судане с использованием модели сегментации UNET

• building_footprint_extraction -> Проект извлекает спутниковые изображения из Google и выполняет извлечение из строительства с использованием U -Net.

• Projectregularization -> регуляризация границ здания на спутниковых изображениях с использованием состязательных и регуляризованных потерь

• PolyworldPretryfinednetwork -> Извлечение полигональных зданий с помощью нейронных сетей графов на спутниковых изображениях

• DL_IMAGE_SEGMATION -> ОТКАЗАЦИЯ НЕОБХОДИВАНИЯ СТАРТИВАНИЕ ДУХОВЫЕ ОБУЧЕНИЕ ДЛЯ ОБРАЗОВАНИЯ МУЗУМА И МОНИТОРИНГ. Использует форму

• UBC-Dataset-> Набор данных для обнаружения и классификации зданий из спутниковых изображений с очень высоким разрешением с акцентом на интерпретацию на уровне объекта отдельных зданий

• Unetformer -> неретентный трансформатор для эффективной семантической сегментации дистанционного зондирования городских изображений сцены

• BES-NET-> Семантическая контекстная сеть улучшения границ для семантической сегментации изображения с высоким разрешением. Применяется к наборам данных Vaihingen и Potsdam

• CVnet -> контурная вибрационная сеть для извлечения здания

• CFENET -> Сеть улучшения контекстных функций для извлечения извлечения из образований дистанционного зондирования с высоким разрешением

• Hisup -> Точное многоугольное картирование зданий в спутниковых снимках

• BuildingExtraction -> Извлечение зданий из изображений дистанционного зондирования с редкими трансформаторами токенов

• CrossGeonet -> Структура для создания следов следов географических регионов

• AFM_BUILDING -> Создание генерации следа через сверточные нейронные сети с представлением поля привлекательности

• Рамп (воспроизводимый ИИ для микропланнинга) -> Обнаружение здания в странах с низким и средним доходом

• Сегментация здания-инстановка-> Мультимодальная сеть слияния функций с адаптивной центральной точками для извлечения экземпляра здания

• CGSANET-> сеть энкодера-декодера с управлением контуром и локальной структурой для точного извлечения зданий из снимков дистанционного зондирования с очень высоким разрешением

• Строительные футфины-Update-> Обучение распределения цветов из битевременных изображений дистанционного зондирования для обновления существующих зданий.

• Ramp -> Набор данных модели и зданий, чтобы поддержать широкий спектр гуманитарных сценариев.

• The Disess_semantic_image_segmation_on_satellite_imagery_using_unets -> Этот мастер -тезис направлен на выполнение семантической сегментации зданий на спутниковых изображениях из набора Spacenet Challenge 1 с использованием архитектуры U -Net

• HD-NET-> Разрешенная сеть с высоким разрешением для извлечения следа через глубоко контролируемое тело и разложение границ

• Круфсенс -> Новое решение для глубокого обучения для автоматической классификации кровельных материалов голландского строительного фонда с использованием аэрофотоснимков и лазерного сканирования слияние

• IBS-AQSNET-> Усовершенствованная сеть автоматической оценки качества для интерактивной сегментации здания в изображениях дистанционного зондирования с высоким разрешением

• Deepmao -> Deep Multi -Scale Sake Sopplote Network для сегментации строительства в спутниковых снимках

Сегментация - солнечные батареи

• Глубокомуживание для распознавания-распознания-панели-> с использованием обнаружения объектов с помощью сегментации Yolov5 и UNET

• DeepSolar -> Структура машинного обучения для эффективного построения базы данных о развертывании солнечного батареи в Соединенных Штатах. Набор данных на Kaggle, фактически использовал CNN для классификации, а сегментация получается путем применения порога к карте активации. Оригинальный код - TF1, но доступна TF2/KERS и реализация Pytorch. Также визуализации по проверке и подробному анализу. Факторов, которые могут объяснить принятие солнечной энергии в. Вирджиния и глубокосолярное трекер: к неконтролируемой оценке с данными с открытым исходным кодом точности распределенного PV-картины на основе глубокого обучения:

• Hyperion_solar_net -> Обученные модели классификации и сегментации на изображениях RGB из Google Maps

• 3D-PV-локатор-> крупномасштабное обнаружение фотоэлектрических систем, установленных на крыше, в 3D

• Pv_pipeline -> Deepsolar для Германии

• обнаружение солнечных панелей-> с использованием segnet, f