techniques
General tidy up
การเรียนรู้เชิงลึกได้ปฏิวัติการวิเคราะห์และการตีความภาพถ่ายดาวเทียมและภาพถ่ายทางอากาศ โดยจัดการกับความท้าทายที่ไม่เหมือนใคร เช่น ขนาดภาพที่กว้างใหญ่และประเภทของวัตถุที่หลากหลาย พื้นที่เก็บข้อมูลนี้ให้ภาพรวมโดยละเอียดของเทคนิคการเรียนรู้เชิงลึกที่ปรับแต่งมาโดยเฉพาะสำหรับการประมวลผลภาพถ่ายดาวเทียมและภาพถ่ายทางอากาศ โดยครอบคลุมสถาปัตยกรรม แบบจำลอง และอัลกอริธึมที่หลากหลายที่เหมาะกับงานหลัก เช่น การจำแนกประเภท การแบ่งส่วน และการตรวจจับวัตถุ
วิธีใช้พื้นที่เก็บข้อมูลนี้: ใช้ Command + F (Mac) หรือ CTRL + F (Windows) เพื่อค้นหาหน้านี้สำหรับเช่น 'SAM'
ชุดข้อมูล UC merced เป็นชุดข้อมูลการจำแนกประเภทที่รู้จักกันดี
การจัดหมวดหมู่เป็นงานพื้นฐานในการวิเคราะห์ข้อมูลการสำรวจระยะไกล โดยมีเป้าหมายเพื่อกำหนดป้ายกำกับความหมายให้กับแต่ละภาพ เช่น 'ในเมือง' 'ป่า' 'พื้นที่เกษตรกรรม' ฯลฯ กระบวนการกำหนดป้ายกำกับให้กับรูปภาพคือ เรียกว่าการจำแนกระดับภาพ อย่างไรก็ตาม ในบางกรณี รูปภาพเดียวอาจมีที่ดินหลายประเภท เช่น ป่าที่มีแม่น้ำไหลผ่าน หรือเมืองที่มีทั้งพื้นที่อยู่อาศัยและเชิงพาณิชย์ ในกรณีเหล่านี้ การจัดหมวดหมู่ระดับรูปภาพจะซับซ้อนมากขึ้นและเกี่ยวข้องกับการกำหนดป้ายกำกับหลายรายการให้กับรูปภาพเดียว ซึ่งสามารถทำได้โดยใช้การผสมผสานระหว่างการแยกคุณลักษณะและอัลกอริธึมการเรียนรู้ของเครื่องเพื่อระบุประเภทสิ่งปกคลุมดินต่างๆ ได้อย่างแม่นยำ สิ่งสำคัญที่ควรทราบคือไม่ควรสับสนระหว่างการจัดหมวดหมู่ระดับรูปภาพกับการจัดหมวดหมู่ระดับพิกเซล หรือที่เรียกว่าการแบ่งส่วนความหมาย แม้ว่าการจัดหมวดหมู่ระดับภาพจะกำหนดป้ายกำกับเดียวให้กับรูปภาพทั้งหมด การแบ่งส่วนความหมายจะกำหนดป้ายกำกับให้กับแต่ละพิกเซลในรูปภาพ ส่งผลให้มีการแสดงประเภทสิ่งปกคลุมดินในภาพที่มีรายละเอียดสูงและแม่นยำ อ่านข้อมูลเบื้องต้นเกี่ยวกับการจำแนกภาพดาวเทียมด้วยโครงข่ายประสาทเทียม
การจำแนกประเภทที่ดินบนข้อมูล Sentinel 2 โดยใช้อัลกอริธึมคลัสเตอร์ sklearn อย่างง่ายหรือ CNN การเรียนรู้เชิงลึก
การจำแนกประเภทภาพถ่ายดาวเทียมของป่าฝนอเมซอนแบบหลายป้ายกำกับโดยใช้ keras หรือ FastAI
EuroSat-Satellite-CNN-and-ResNet -> การจัดประเภทชุดข้อมูลภาพที่กำหนดเองโดยการสร้าง Convolutional Neural Networks และ Residual Networks ตั้งแต่เริ่มต้นด้วย PyTorch
การตรวจจับการตั้งถิ่นฐานอย่างไม่เป็นทางการจากภาพถ่ายดาวเทียมโดยใช้การปรับแต่งตัวแยกประเภท ResNet-50 พร้อม repo
Land-Cover-Classification-using-Sentinel-2-Dataset -> บทความขนาดกลางที่เขียนอย่างดีที่มาพร้อมกับ repo นี้ แต่ใช้ชุดข้อมูล EuroSAT
การจำแนกประเภทสิ่งปกคลุมพื้นดินของภาพถ่ายดาวเทียมโดยใช้โครงข่ายประสาทเทียมแบบ Convolutional โดยใช้ Keras และชุดข้อมูลสเปกตรัมหลายชุดที่บันทึกเหนือทุ่งไร่องุ่นในหุบเขาซาลินาส รัฐแคลิฟอร์เนีย
การตรวจจับการตัดไม้ทำลายป่าจากภาพถ่ายดาวเทียม -> ใช้ FastAI และ ResNet50 พร้อม repo fsdl_deforestation_detection
โครงข่ายประสาทเทียมสำหรับการจำแนกข้อมูลดาวเทียมโดยใช้ Tensorflow ใน Python -> คำแนะนำทีละขั้นตอนสำหรับการจำแนกข้อมูลหลายสเปกตรัม Landsat 5 สำหรับการทำนายคลาสแบบไบนารี่ที่สร้างขึ้น / ไม่สร้างขึ้นพร้อม repo
การทำแผนที่สลัมจากเครือข่าย CNN ที่ได้รับการฝึกล่วงหน้าบนภาพ VHR (กลุ่มดาวลูกไก่: 0.5 ม.) และ MR (Sentinel: 10 ม.)
การเปรียบเทียบสภาพแวดล้อมในเมืองโดยใช้ภาพถ่ายดาวเทียมและโครงข่ายประสาทเทียม -> รวมการศึกษาที่น่าสนใจเกี่ยวกับคุณสมบัติการฝังภาพที่แยกออกมาสำหรับแต่ละภาพในชุดข้อมูล Urban Atlas
RSI-CB -> เกณฑ์มาตรฐานการจัดประเภทภาพจากการรับรู้ระยะไกลขนาดใหญ่ผ่านข้อมูล Crowdsource ดูเพิ่มเติมที่ การจัดประเภทภาพการรับรู้ระยะไกล
NAIP_PoolDetection -> จำลองเป็นปัญหาการรู้จำวัตถุ CNN ใช้เพื่อระบุรูปภาพว่าเป็นสระว่ายน้ำหรืออย่างอื่น โดยเฉพาะถนน ดาดฟ้า หรือสนามหญ้า
การใช้ที่ดินและการจำแนกประเภทสิ่งปกคลุมดินโดยใช้สถาปัตยกรรมการเรียนรู้เชิงลึกของ ResNet -> ใช้ fastai และชุดข้อมูล EuroSAT
กรณีการใช้งาน Vision Transformers: การจำแนกภาพดาวเทียมโดยไม่มี CNN
WaterNet -> CNN ที่ระบุน้ำในภาพดาวเทียม
การจำแนกประเภทเครือข่ายถนน -> โมเดลการจำแนกเครือข่ายถนนโดยใช้ ResNet-34, คลาสถนนแบบออร์แกนิก, ตะแกรงเหล็กฉีก, รัศมีและไม่มีรูปแบบ
ปรับขนาด AI เพื่อสร้างแผนที่ทุกโรงเรียนบนโลก
บทช่วยสอนการจำแนกประเภท Landsat CNN พร้อม repo
การจำแนกทางม้าลายด้วยดาวเทียม
ทำความเข้าใจป่าฝนอเมซอนด้วยการจำแนกประเภทหลายป้ายกำกับ + VGG-19, Inceptionv3, AlexNet และการเรียนรู้แบบถ่ายโอน
การใช้แบบจำลอง 3D-CNN สำหรับการจำแนกประเภทสิ่งปกคลุมดิน -> ใช้ชุดข้อมูล Sundarbans พร้อม repo
SSTN -> เครือข่ายหม้อแปลงสเปกตรัม-เชิงพื้นที่สำหรับการจำแนกภาพไฮเปอร์สเปกตรัม: กรอบงาน FAS
SatellitePollutionCNN -> อัลกอริธึมใหม่ในการทำนายระดับมลพิษทางอากาศด้วยความแม่นยำล้ำสมัยโดยใช้การเรียนรู้เชิงลึกและภาพถ่ายดาวเทียมของ GoogleMaps
การจัดประเภททรัพย์สิน -> การจัดประเภททรัพย์สินตามภาพอสังหาริมทรัพย์ ภาพดาวเทียม และภาพสตรีทวิว
Remote-sense-quickstart -> การจัดหมวดหมู่ชุดข้อมูลจำนวนหนึ่ง รวมถึงการแสดงภาพข้อมูลด้วยความสนใจ
การจัดหมวดหมู่ภาพดาวเทียมโดยใช้อัลกอริธึมการเรียนรู้ของเครื่องหลายตัว
satsense -> การจำแนกการใช้ที่ดิน/สิ่งปกคลุมโดยใช้คุณสมบัติคลาสสิก รวมถึง HoG & NDVI
PyTorch_UCMerced_LandUse
การจำแนกภาพ EuroSAT
landcover_classification -> ใช้ fast.ai บน EuroSAT
IGARSS2020_BWMS -> สถาปัตยกรรม CNN แบบหลายสเกลแบบ Band-Wise สำหรับการตรวจจับระยะไกล การจัดหมวดหมู่ฉากภาพด้วยสถาปัตยกรรม CNN ใหม่สำหรับการฝังคุณสมบัติภาพ RS ที่มีมิติสูง
image.classification.on.EuroSAT -> โซลูชันใน pytorch ล้วนๆ
hurricane_damage -> การประเมินความเสียหายของโครงสร้างหลังพายุเฮอริเคนตามภาพถ่ายทางอากาศ
openai-drivendata-challenge -> การใช้การเรียนรู้เชิงลึกเพื่อจำแนกวัสดุก่อสร้างของหลังคา (ภาพถ่ายทางอากาศจากอเมริกาใต้)
มันถูกทิ้งร้าง -> เราจะบอกได้ไหมว่าบ้านถูกทิ้งร้างโดยอิงจากภาพถ่าย LIDAR ทางอากาศหรือไม่
BoulderAreaDetector -> CNN เพื่อจำแนกว่าภาพถ่ายดาวเทียมแสดงพื้นที่นั้นจะเป็นจุดปีนหน้าผาที่ดีหรือไม่
ISPRS_S2FL -> ชุดข้อมูลเกณฑ์มาตรฐานการรับรู้ระยะไกลหลายรูปแบบสำหรับการจำแนกประเภทสิ่งปกคลุมดินด้วยโมเดลการเรียนรู้คุณลักษณะที่ใช้ร่วมกันและเฉพาะเจาะจง
Brazilian-Coffee-Detection -> ใช้ Keras กับชุดข้อมูลสาธารณะ
tf-crash-severity -> คาดการณ์ความรุนแรงของการชนสำหรับคุณลักษณะของถนนที่กำหนดซึ่งอยู่ภายในภาพถ่ายดาวเทียม
ensemble_LCLU -> ชุดเครือข่ายประสาทเทียมระดับลึกสำหรับการครอบคลุมพื้นที่การสำรวจระยะไกลและการจำแนกการใช้ที่ดิน
cerraNet -> จัดประเภทการใช้งานและความครอบคลุมตามบริบทใน Brazilian Cerrado
การวิเคราะห์เมือง-การใช้-ดาวเทียม-ภาพถ่าย -> จำแนกพื้นที่เมืองตามที่วางแผนไว้หรือไม่ได้วางแผนไว้โดยใช้การผสมผสานระหว่างการแบ่งส่วนและการจำแนกประเภท
การจัดประเภทชิป -> การเรียนรู้เชิงลึกสำหรับการจำแนกฉากเมฆ เงา และพื้นดินหลายรูปแบบในภาพ PlanetScope และ Sentinel-2
DeeplearningClassficationLandsat-tImages -> การจำแนกน้ำ/น้ำแข็ง/ที่ดินโดยใช้ภาพดาวเทียม Landsat ที่มีความละเอียดปานกลางขนาดใหญ่
wildfire-detection-from-satellite-images-ml -> ตรวจสอบว่ารูปภาพมีไฟป่าหรือไม่พร้อมตัวอย่างเว็บแอปขวด
การค้นพบการขุดด้วยการเรียนรู้เชิงลึก -> การตรวจจับการขุดและการขุดเขื่อนในภาพดาวเทียมโดยใช้การเรียนรู้เชิงลึก
e-Farmerce-platform -> จำแนกประเภทพืชผล
sentinel2-deep-learning -> วิธีการฝึกอบรมแบบใหม่สำหรับการจำแนกที่ดินของภาพ Sentinel-2
การถ่ายโอน RSSC -> บทบาทของการฝึกอบรมล่วงหน้าในการจำแนกฉากการตรวจจับระยะไกลที่มีความละเอียดสูง
การจำแนกภาพถ่ายอ้างอิงทางภูมิศาสตร์และภาพถ่ายดาวเทียมเพื่อรองรับการจำแนกภูมิประเทศ -> ตรวจจับน้ำท่วม
ให้ความสนใจมากขึ้น -> การจัดหมวดหมู่ฉากภาพการรับรู้ระยะไกลตามโมดูลความสนใจที่ได้รับการปรับปรุง
การจำแนกประเภทภาพการรับรู้ระยะไกลผ่านการสูญเสียข้ามเอนโทรปีที่ได้รับการปรับปรุงและกลยุทธ์การถ่ายโอนการเรียนรู้โดยอิงจากโครงข่ายประสาทเทียมแบบ Deep Convolutional
DenseNet40-for-HRRSISC -> DenseNet40 สำหรับการจำแนกฉากภาพการรับรู้ระยะไกล ใช้ชุดข้อมูล UC Merced
SKAL -> มองเข้าไปใกล้ฉากมากขึ้น: การเรียนรู้การเป็นตัวแทนหลายสเกลสำหรับการจำแนกฉากภาพจากการรับรู้ระยะไกล
potsdam-tensorflow-practice -> การจำแนกภาพของชุดข้อมูล Potsdam โดยใช้ tensorflow
SAFF -> การผสมผสานคุณสมบัติเชิงลึกที่เน้นความสนใจในตนเองสำหรับการจำแนกฉากการตรวจจับระยะไกล
GLNET -> การจัดประเภทฉากการรับรู้ระยะไกลโดยใช้โครงข่ายประสาทเทียมแบบ Convolutional ภายใต้สภาพแวดล้อมที่ชัดเจนและมีเมฆมาก
การจัดประเภทภาพการรับรู้ระยะไกล -> ถ่ายโอนการเรียนรู้โดยใช้ pytorch เพื่อจัดประเภทข้อมูลการสำรวจระยะไกลออกเป็นสามประเภท: เครื่องบิน เรือ ไม่มี
remote_sensing_pretrained_models -> เป็นทางเลือกในการปรับแต่งโมเดลที่ได้รับการฝึกอบรมบน ImageNet ที่นี่ CNN บางส่วนได้รับการฝึกอบรมล่วงหน้าในชุดข้อมูล RSD46-WHU & AID
CNN_AircraftDetection -> CNN สำหรับการตรวจจับเครื่องบินในภาพดาวเทียมโดยใช้ keras
OBIC-GCN -> กรอบงานการจำแนกประเภทตามวัตถุของภาพการรับรู้ระยะไกลด้วยเครือข่ายกราฟ Convolutional
aitlas-arena -> กรอบมาตรฐานโอเพ่นซอร์สสำหรับการประเมินแนวทางการเรียนรู้เชิงลึกที่ล้ำสมัยสำหรับการจำแนกภาพในการสังเกตการณ์โลก (EO)
ภัยแล้ง -> การทำนายสภาพอาหารสัตว์สำหรับปศุสัตว์ทางตอนเหนือของเคนยาโดยใช้ดาวเทียม
JSTARS_2020_DPN-HRA -> เครือข่ายต้นแบบเชิงลึกพร้อมความสนใจตกค้างแบบไฮบริดสำหรับการจำแนกภาพไฮเปอร์สเปกตรัม
SIGNA -> Semantic Interleaving Global Channel Attention สำหรับการจัดประเภทภาพการรับรู้ระยะไกลแบบหลายป้ายกำกับ
การจำแนกภาพดาวเทียมโดยใช้ข้อมูล rmldnn และ Sentinel 2
PBDL -> การเรียนรู้แบบแบ่งแยกตามแพตช์สำหรับการจำแนกฉากการรับรู้ระยะไกล
EmergencyNet -> ระบุเหตุเพลิงไหม้และเหตุฉุกเฉินอื่น ๆ จากโดรน
การตัดไม้ทำลายป่าด้วยดาวเทียม -> การใช้ภาพถ่ายดาวเทียมเพื่อระบุตัวบ่งชี้ชั้นนำของการตัดไม้ทำลายป่า นำไปใช้กับ Kaggle Challenge ทำความเข้าใจกับอเมซอนจากอวกาศ
RSMLC -> สถาปัตยกรรมเครือข่ายระดับลึกเป็นตัวแยกคุณสมบัติสำหรับการจำแนกประเภทภาพการรับรู้ระยะไกลแบบหลายป้ายกำกับ
FireRisk -> ชุดข้อมูลการสำรวจระยะไกลสำหรับการประเมินความเสี่ยงจากอัคคีภัยด้วยเกณฑ์มาตรฐานโดยใช้การเรียนรู้แบบมีผู้สอนและแบบมีผู้ดูแลด้วยตนเอง
Flood_susceptibility_mapping -> สู่การทำแผนที่ความอ่อนแอต่อน้ำท่วมในเมืองโดยใช้แบบจำลองที่ขับเคลื่อนด้วยข้อมูลในกรุงเบอร์ลิน ประเทศเยอรมนี
Tick-tick-Bloom -> ผู้ชนะ Tick Tick Bloom: ความท้าทายในการตรวจจับสาหร่ายที่เป็นอันตราย ภารกิจคือการทำนายความรุนแรงของการบานของสาหร่าย ผู้ชนะใช้แผนผังการตัดสินใจ
การประมาณการดำเนินงานของโรงไฟฟ้าถ่านหินจากภาพถ่ายดาวเทียมด้วยคอมพิวเตอร์วิทัศน์ -> ใช้ข้อมูล Sentinel 2 เพื่อระบุว่าโรงไฟฟ้าถ่านหินเปิดหรือปิดอยู่ พร้อมชุดข้อมูลและ repo
การตรวจจับอาคารและการรับรู้ประเภทหลังคา -> แนวทางของ CNN สำหรับการตรวจจับอาคารอัตโนมัติและการจดจำประเภทหลังคาโดยใช้ภาพถ่ายทางอากาศภาพเดียว
การเปรียบเทียบประสิทธิภาพของช่องสัญญาณหลายสเปกตรัมสำหรับการจำแนกประเภทการใช้ที่ดิน -> ใช้งาน ResNet-50, ResNet-101, ResNet-152, Vision Transformer บนชุดข้อมูล EuroSAT เวอร์ชัน RGB และหลายสเปกตรัม
SNN4Space -> โครงการที่ตรวจสอบความเป็นไปได้ของการปรับใช้โครงข่ายประสาทเทียม (SNN) ในงานคลุมดินและงานจำแนกการใช้ประโยชน์ที่ดิน
การจำแนกประเภทเรือ -> จำแนกเรือและระบุพฤติกรรมการประมงตามข้อมูล AIS
RSMamba -> การจำแนกภาพการรับรู้ระยะไกลด้วยแบบจำลองอวกาศของรัฐ
BirdSAT -> ตัวเข้ารหัสอัตโนมัติแบบคอนทราสต์แบบข้ามมุมมองสำหรับการจำแนกประเภทและการทำแผนที่ของนก
EGNNA_WND -> การประมาณการปรากฏตัวของโรคเวสต์ไนล์โดยใช้โครงข่ายประสาทเทียมแบบกราฟ
cyfi -> ประมาณความหนาแน่นของไซยาโนแบคทีเรียตามภาพถ่ายดาวเทียม Sentinel-2
(ซ้าย) ภาพถ่ายดาวเทียม และ (ขวา) คลาสความหมายในภาพ
การแบ่งส่วนภาพเป็นขั้นตอนสำคัญในการวิเคราะห์ภาพและคอมพิวเตอร์วิทัศน์ โดยมีเป้าหมายในการแบ่งภาพออกเป็นส่วนหรือภูมิภาคที่มีความหมายตามความหมาย กระบวนการแบ่งส่วนรูปภาพจะกำหนดป้ายกำกับคลาสให้กับแต่ละพิกเซลในรูปภาพ โดยจะเปลี่ยนรูปภาพจากตารางพิกเซล 2 มิติเป็นตารางพิกเซล 2 มิติด้วยป้ายกำกับคลาสที่กำหนดได้อย่างมีประสิทธิภาพ การแบ่งส่วนภาพโดยทั่วไปอย่างหนึ่งคือการแบ่งส่วนถนนหรืออาคาร โดยมีเป้าหมายเพื่อระบุและแยกถนนและสิ่งปลูกสร้างออกจากจุดอื่นๆ ภายในภาพ เพื่อให้บรรลุภารกิจนี้ โมเดลชั้นเดียวมักได้รับการฝึกฝนให้แยกความแตกต่างระหว่างถนนและพื้นหลัง หรืออาคารและพื้นหลัง โมเดลเหล่านี้ได้รับการออกแบบมาให้จดจำคุณลักษณะเฉพาะ เช่น สี พื้นผิว และรูปร่าง ซึ่งเป็นลักษณะของถนนหรืออาคาร และใช้ข้อมูลนี้เพื่อกำหนดป้ายกำกับคลาสให้กับพิกเซลในรูปภาพ การใช้งานทั่วไปอีกประการหนึ่งของการแบ่งส่วนภาพคือการใช้ประโยชน์ที่ดินหรือการจัดหมวดหมู่ประเภทพืชผล โดยมีเป้าหมายเพื่อระบุและจัดทำแผนที่ประเภทสิ่งปกคลุมดินที่แตกต่างกันภายในภาพ ในกรณีนี้ โดยทั่วไปจะใช้แบบจำลองหลายคลาสเพื่อจดจำและแยกแยะระหว่างหลายคลาสภายในภาพ เช่น ป่าไม้ พื้นที่เมือง และพื้นที่เกษตรกรรม แบบจำลองเหล่านี้สามารถรับรู้ความสัมพันธ์ที่ซับซ้อนระหว่างสิ่งปกคลุมดินประเภทต่างๆ ซึ่งช่วยให้เข้าใจเนื้อหารูปภาพได้ครอบคลุมมากขึ้น อ่านข้อมูลเบื้องต้นเกี่ยวกับการแบ่งส่วนภาพจากดาวเทียมด้วยโครงข่ายประสาทเทียม โปรดทราบ ว่าบทความจำนวนมากที่อ้างถึง 'การจำแนกที่ดินไฮเปอร์สเปกตรัม' มักจะอธิบายการแบ่งส่วนเชิงความหมายจริงๆ แหล่งที่มาของภาพ
U-Net สำหรับการแบ่งส่วนความหมายบนภาพถ่ายทางอากาศที่ไม่สมดุล -> การใช้ชุดข้อมูลดูไบ
การแบ่งส่วนความหมายของชุดข้อมูลดูไบโดยใช้โมเดล TensorFlow U-Net
nga-deep-learning -> ดำเนินการแบ่งส่วนความหมายกับข้อมูล GeoTIF ที่ให้ผลลัพธ์สูงโดยใช้ U-Net & Keras ที่ได้รับการแก้ไข ซึ่งเผยแพร่โดยนักวิจัยของ NASA
การตรวจจับการฝังกลบอัตโนมัติโดยใช้การเรียนรู้เชิงลึก
SpectralNET -> เวฟเล็ต 2D CNN สำหรับการจำแนกภาพ Hyperspectral ใช้ชุดข้อมูล Salinas Scene และ Keras
laika -> เป้าหมายของ repo นี้คือการวิจัยแหล่งที่มาที่เป็นไปได้ของข้อมูลภาพดาวเทียม และใช้อัลกอริธึมต่างๆ สำหรับการแบ่งส่วนภาพดาวเทียม
PEARL -> เครื่องมือ AI ที่ควบคุมโดยมนุษย์เพื่อลดเวลาที่ต้องใช้ในการสร้างแผนที่การใช้ที่ดิน/สิ่งปกคลุมดิน (LULC) ที่แม่นยำ โพสต์บนบล็อก ใช้ Microsoft Planetary Computer และโมเดล ML ที่ทำงานภายในเบราว์เซอร์ โค้ดสำหรับแบ็กเอนด์และฟรอนต์เอนด์
การจำแนกประเภทสิ่งปกคลุมดินด้วย U-Net -> งานการแบ่งส่วนความหมายหลายระดับของภาพดาวเทียมด้วยการใช้ PyTorch ของ U-Net ใช้ชุดข้อมูลการแบ่งส่วนสิ่งปกคลุมดินของ DeepGlobe พร้อมรหัส
การแบ่งส่วนความหมายแบบหลายคลาสของภาพดาวเทียมโดยใช้ U-Net โดยใช้ชุดข้อมูล DSTL, เทนเซอร์โฟลว์ 1 และ python 2.7 บทความประกอบ
Codebase สำหรับการจำแนกประเภทสิ่งปกคลุมดินหลายชั้นด้วย U-Net ที่มาพร้อมกับวิทยานิพนธ์ระดับปริญญาโท ใช้ Keras
dubai-satellite-imagery-segmentation -> เนื่องจากชุดข้อมูลขนาดเล็ก จึงมีการใช้การเพิ่มรูปภาพ
การแบ่งส่วน CDL -> การครอบคลุมที่ดินตามการเรียนรู้เชิงลึกและการจำแนกประเภทพืชผล: การศึกษาเปรียบเทียบ เปรียบเทียบ UNet, SegNet และ DeepLabv3+
LoveDA -> ชุดข้อมูลการรับรู้ระยะไกลสำหรับการแบ่งส่วนความหมายแบบปรับเปลี่ยนโดเมน
การแบ่งส่วนความหมายภาพดาวเทียมด้วย CNN -> 7 คลาสการแบ่งส่วนที่แตกต่างกัน ชุดข้อมูล DeepGlobe Land Cover Classification Challenge พร้อม repo
บทความสื่อการแบ่งส่วนความหมายทางอากาศโดยใช้ U-Net Deep Learning Model พร้อม repo
UNet-Satellite-Image-Segmentation -> การติดตั้ง Tensorflow ของกรอบการแบ่งส่วนความหมาย UNet แบบเบา
โซลูชันความท้าทายในการจำแนกประเภทสิ่งปกคลุมดินของ DeepGlobe
การแบ่งส่วนความหมายด้วย PyTorch-Satellite-Imagery -> ทำนาย 25 คลาสบนภาพ RGB ที่ถ่ายเพื่อประเมินความเสียหายหลังพายุเฮอริเคนฮาร์วีย์
การแบ่งส่วนความหมายด้วย Sentinel-2 Imagery -> ใช้ชุดข้อมูล LandCoverNet และ fast.ai
CNN_Enhanced_GCN -> เครือข่าย Convolutional กราฟที่ปรับปรุงโดย CNN พร้อมการผสมผสานคุณสมบัติระดับพิกเซลและซูเปอร์พิกเซลสำหรับการจำแนกภาพไฮเปอร์สเปกตรัม
LULCMapping-WV3images-CORINE-DLMethods -> การใช้ที่ดินและการทำแผนที่สิ่งปกคลุมดินโดยใช้แนวทางการแบ่งส่วนตามการเรียนรู้เชิงลึกและรูปภาพ VHR Worldview-3
MCANet -> กรอบการแบ่งส่วนความหมายร่วมกันของภาพออปติคัลและ SAR สำหรับการจำแนกการใช้ที่ดิน ใช้ชุดข้อมูล WHU-OPT-SAR
มูเน็ท-LUC
สิ่งปกคลุมดิน -> การวางนัยทั่วไปของแบบจำลองในแอปพลิเคชันการเรียนรู้เชิงลึกสำหรับการทำแผนที่สิ่งปกคลุมดิน
Generalizablersc -> การเรียนรู้ข้ามชุดข้อมูลสำหรับการจำแนกฉากการใช้ที่ดินแบบทั่วไป
การระบุที่ดินว่างในเมืองขนาดใหญ่โดยอัตโนมัติ -> การระบุที่ดินว่างในเมืองโดยอัตโนมัติขนาดใหญ่โดยใช้การแบ่งส่วนความหมายของภาพการสำรวจระยะไกลที่มีความละเอียดสูง
SSLTransformerRS -> Vision Transformers ที่มีการดูแลตนเองสำหรับการแบ่งส่วนและการจำแนกประเภทสิ่งปกคลุมดิน
การแบ่งส่วนทางอากาศ -> การแบ่งส่วนความหมายของภาพดาวเทียมขนาดใหญ่ออกเป็น 6 คลาสโดยใช้ชุดข้อมูลมาตรฐาน Tensorflow 2.0 และ ISPRS
LULCMapping-WV3images-CORINE-DLMethods -> การใช้ที่ดินและการทำแผนที่สิ่งปกคลุมดินโดยใช้แนวทางการแบ่งส่วนตามการเรียนรู้เชิงลึกและรูปภาพ VHR Worldview-3
DCSA-Net -> เครือข่ายการดูแลตนเองแบบ Convolution แบบไดนามิกสำหรับการจำแนกประเภทสิ่งปกคลุมพื้นดินในภาพตรวจจับระยะไกล VHR
CHeGCN-CNN_enhanced_Heterogeneous_Graph -> เครือข่าย Convolutional Graph ที่แตกต่างกันที่ปรับปรุงโดย CNN: การอนุมานการใช้ที่ดินจากการปกคลุมที่ดินพร้อมกรณีศึกษาการแบ่งส่วนอุทยาน
TCSVT_2022_DGSSC -> DGSSC: เครื่องแยกประเภทสเปกตรัม-เชิงพื้นที่เชิงลึกสำหรับภาพไฮเปอร์สเปกตรัมที่ไม่สมดุล
DeepForest-Wetland-Paper -> ตัวแยกประเภท Deep Forest สำหรับการทำแผนที่พื้นที่ชุ่มน้ำโดยใช้การผสมผสานระหว่างข้อมูล Sentinel-1 และ Sentinel-2, GIScience และการสำรวจระยะไกล
Wetland_UNet -> โมเดล UNet ที่สามารถแยกแยะพื้นที่ชุ่มน้ำได้โดยใช้อินพุตข้อมูลการสำรวจระยะไกล รวมถึงย่านความถี่จาก Sentinel-2 LiDAR และ geomorphons โดยศูนย์นวัตกรรมการอนุรักษ์ Chesapeake Conservancy and Defenders of Wildlife
DPA -> DPA เป็นวิธีการปรับโดเมนแบบไม่มีผู้ดูแล (UDA) ซึ่งใช้กับภาพถ่ายดาวเทียมต่างๆ สำหรับการทำแผนที่พื้นที่ปกคลุมขนาดใหญ่
dynamicworld -> โลกไดนามิก การทำแผนที่การใช้ที่ดินครอบคลุมพื้นที่ใกล้เคียงแบบเรียลไทม์ทั่วโลก 10 ม
spada -> การแบ่งส่วนพื้นที่ปกคลุมพร้อมคำอธิบายประกอบแบบกระจัดกระจายจากภาพ Sentinel-2
M3SPADA -> การปรับโดเมนแบบไม่มีผู้ดูแลชั่วคราวแบบเซ็นเซอร์หลายตัวสำหรับการทำแผนที่สิ่งปกคลุมดินพร้อมการติดฉลากหลอกเชิงพื้นที่และการเรียนรู้แบบขัดแย้ง
GLNet -> เครือข่ายท้องถิ่นระดับโลกที่ทำงานร่วมกันสำหรับการแบ่งส่วนหน่วยความจำที่มีประสิทธิภาพของภาพที่มีความละเอียดสูงพิเศษ
LoveNAS -> LoveNAS: สู่การทำแผนที่พื้นที่ครอบคลุมหลายฉากผ่านเครือข่ายการปรับเปลี่ยนการค้นหาแบบลำดับชั้น
ความท้าทาย FLAIR-2 -> การแบ่งส่วนความหมายและความท้าทายในการปรับตัวโดเมนที่เสนอโดยสถาบันข้อมูลทางภูมิศาสตร์และป่าไม้แห่งชาติฝรั่งเศส (IGN)
flair-2 วิธีแก้ปัญหาอันดับที่ 8
โปรดทราบว่าการตรวจจับการตัดไม้ทำลายป่าอาจถือเป็นงานแบ่งส่วนหรืองานตรวจจับการเปลี่ยนแปลง
DetecTree -> การตรวจจับต้นไม้จากภาพถ่ายทางอากาศใน Python ซึ่งเป็นตัวแยกประเภท LightGBM ของพิกเซลต้นไม้/ไม่ใช่ต้นไม้จากภาพถ่ายทางอากาศ
การตรวจจับขอบเขตภาคสนาม Сrор: แนวทางและความท้าทายหลัก -> บทความขนาดกลาง ครอบคลุมแนวทางทางประวัติศาสตร์และสมัยใหม่
kenya-crop-mask -> การทำแผนที่พืชผลประจำปีและตามฤดูกาลในเคนยา - ตัวแยกประเภท LSTM เพื่อจัดประเภทพิกเซลว่ามีการครอบตัดหรือไม่ และผู้พยากรณ์หลายสเปกตรัมที่ให้อนุกรมเวลา 12 เดือนโดยให้ข้อมูลบางส่วน ชุดข้อมูลที่ดาวน์โหลดจาก GEE และ pytorch lightning ที่ใช้สำหรับการฝึกอบรม
มีอะไรเติบโตที่นั่น? ระบุพืชผลจากข้อมูลการสำรวจระยะไกลแบบหลายสเปกตรัม (Sentinel 2) โดยใช้ eo-learn สำหรับการประมวลผลข้อมูลล่วงหน้า การตรวจจับบนคลาวด์ การคำนวณ NDVI การเพิ่มรูปภาพ และ fastai
การจำแนกชนิดพันธุ์ไม้จาก LiDAR ในอากาศและข้อมูลไฮเปอร์สเปกตรัมโดยใช้โครงข่ายประสาทเทียมแบบ 3 มิติ
การจำแนกประเภทการครอบตัด -> การใช้ข้อมูล Sentinel 1 & 2 พร้อม U-Net + LSTM คุณสมบัติเพิ่มเติม (เช่นแบนด์) และความละเอียดสูงกว่าให้ผลลัพธ์ที่ดีกว่า (บทความไม่มีโค้ด)
ค้นหาสนามกีฬาโดยใช้ Mask R-CNN และซ้อนทับบนแผนที่ถนนแบบเปิด
LSTM เพื่อสร้างครอบตัดมาสก์สำหรับโตโก
DeepSatModels -> การฝึกอบรมล่วงหน้าแบบตัดกันตามบริบทสำหรับการแบ่งส่วนความหมายประเภทครอบตัด
farm-pin-crop-detection-challenge -> การใช้ eo-learn และ fastai เพื่อระบุพืชผลจากข้อมูลการสำรวจระยะไกลแบบหลายสเปกตรัม
การตรวจจับพื้นที่เพาะปลูกทางการเกษตรจากภาพถ่ายดาวเทียม Sentinel-2 -> เราได้พัฒนา UNet-Agri ซึ่งเป็นโมเดลการเรียนรู้ของเครื่องมาตรฐานที่จำแนกพื้นที่เพาะปลูกโดยใช้ภาพ Sentinel-2 ที่เข้าถึงได้แบบเปิดที่ความละเอียดเชิงพื้นที่ 10 เมตร
DeepTreeAttention -> การใช้งาน Hang และคณะ 2020 "การจำแนกภาพไฮเปอร์สเปกตรัมด้วย Attention Aided CNN" สำหรับการทำนายชนิดของต้นไม้
การจำแนกพืชผล -> การจำแนกพืชผลโดยใช้ภาพถ่ายดาวเทียมหลายช่วงเวลา
ParcelDelineation -> ใช้ชุดข้อมูลรูปหลายเหลี่ยมฝรั่งเศสและ unet ใน keras
crop-mask -> เวิร์กโฟลว์แบบ end-to-end สำหรับการสร้างแผนที่ cropland ที่มีความละเอียดสูง ใช้โมเดล GEE และ LSTM
DeepCropMapping -> วิธีการเรียนรู้เชิงลึกแบบหลายเวลาพร้อมการปรับปรุงความสามารถทั่วไปเชิงพื้นที่สำหรับการทำแผนที่ข้าวโพดและถั่วเหลืองแบบไดนามิก ใช้ LSTM
การแบ่งส่วนหลังคาและดินโดยใช้ NDVI และ Rasterio
ใช้การจัดกลุ่ม KMeans เพื่อแบ่งส่วนภาพถ่ายดาวเทียมตามสิ่งปกคลุมดิน/การใช้ที่ดิน
ResUnet-a -> กรอบการเรียนรู้เชิงลึกสำหรับการแบ่งส่วนความหมายของข้อมูลที่รับรู้จากระยะไกล
DSD_paper_2020 -> การจำแนกประเภทครอบตัดตามการเรียนรู้ของเครื่องด้วยข้อมูล Multitemporal Sentinel-1
MR-DNN -> แยกนาข้าวจากภาพถ่ายดาวเทียม Landsat 8
deep_learning_forest_monitoring -> การทำแผนที่ป่าไม้และการตรวจสอบทวีปแอฟริกาโดยใช้ข้อมูล Sentinel-2 และการเรียนรู้เชิงลึก
การทำแผนที่ cropland ทั่วโลก -> การทำแผนที่ cropland multi-temporal ทั่วโลก
U-Net สำหรับการแบ่งส่วนความหมายของทุ่งพืชถั่วเหลืองด้วยภาพ SAR
UNet-RemoteSensing -> ใช้ Landsat และ keras 7 แบนด์
Landuse_DL -> วิเคราะห์ภูมิประเทศเนื่องจากการละลายของชั้นดินเยือกแข็งที่อุดมด้วยน้ำแข็ง
หลังคา -> ตัวแยกประเภทโครงข่ายประสาทเทียมแบบ Convolutional ระบุชนิดต้นไม้ในป่าสนผสมจากภาพ Hyperspectral
การจำแนกประเภทป่าไม้แบบสุ่ม -> ข้อมูลมัลติเซ็นเซอร์เพื่อรับชุมชนพืชพรรณในพื้นที่ป่าพรุโดยใช้ยานพาหนะทางอากาศไร้คนขับปีกคงที่
Forest_change_detection -> การแบ่งส่วนการเปลี่ยนแปลงของฟอเรสต์ด้วยโมเดลตามเวลา รวมถึงโมเดล Siamese, UNet-LSTM, UNet-diff, UNet3D
cultionet -> การแบ่งส่วนพื้นที่เพาะปลูก สร้างขึ้นบน PyTorch Geometric และ PyTorch Lightning
Sentinel-tree-cover -> วิธีการระดับโลกในการระบุต้นไม้ที่อยู่นอกป่าทรงพุ่มปิดด้วยภาพถ่ายดาวเทียมความละเอียดปานกลาง
Crop-type-detection-ICLR-2020 -> โซลูชันที่ชนะจากการแข่งขัน Crop Type Detection ที่เวิร์กช็อป CV4A, ICLR 2020
การระบุพืชผลโดยใช้ภาพถ่ายดาวเทียม -> บทความขนาดกลาง ความรู้เบื้องต้นเกี่ยวกับการระบุพืชผล
โมเดล S4A -> การทดลองต่างๆ บนชุดข้อมูล Sen4AgriNet
Attention-mechanism-unet -> U-Net ที่อิงความสนใจสำหรับการตรวจจับการตัดไม้ทำลายป่าภายในภาพเซ็นเซอร์ดาวเทียม
Cocoa_plantations_detection -> การตรวจจับสวนโกโก้ในไอวอรี่โคสต์โดยใช้ข้อมูลการสำรวจระยะไกล Sentinel-2 โดยใช้ KNN, SVM, Random Forest และ MLP
SummerCrop_Deeplearning -> โมเดลการจำแนกการเรียนรู้แบบถ่ายโอนได้และการประมาณค่าการกักเก็บคาร์บอนของพืชผลในระบบนิเวศเกษตรกรรม
DeepForest เป็นแพ็คเกจ Python สำหรับฝึกฝนและทำนายมงกุฎต้นไม้แต่ละต้นจากภาพ RGB ในอากาศ
พื้นที่เก็บข้อมูลอย่างเป็นทางการสำหรับความท้าทาย "การระบุต้นไม้จากภาพถ่ายดาวเทียม" จาก Omdena
การนับต้นไม้โดยใช้ดาวเทียมรูปภาพ -> สร้างรายการต้นไม้ขาเข้าและขาออกสำหรับการตรวจสอบต้นไม้ประจำปี ใช้ keras และการแบ่งส่วนความหมาย
กระดาษธรรมชาติปี 2020 - ต้นไม้จำนวนมากอย่างไม่คาดคิดในซาฮาราแอฟริกาตะวันตกและ Sahel -> เฟรมเวิร์กการตรวจจับต้นไม้ตาม U-Net & tensorflow 2 พร้อมโค้ดที่นี่
TreeDetection -> ตัวแยกประเภทตามสีเพื่อตรวจจับต้นไม้ในข้อมูลรูปภาพของ Google พร้อมกับการแปลภาพต้นไม้และการคำนวณขนาดมงกุฎผ่าน OpenCV
PTDM -> วิธีการตรวจจับต้นส้มโอตามกลไกความสนใจและการรวมคุณสมบัติข้ามเลเยอร์
การตรวจจับต้นไม้ในเมือง -> การตรวจจับต้นไม้ส่วนบุคคลในสภาพแวดล้อมในเมืองขนาดใหญ่โดยใช้ภาพหลายสเปกตรัมความละเอียดสูง ด้วยชุดข้อมูล
BioMassers_baseline -> ข้อมูลพื้นฐานพื้นฐานเกี่ยวกับฟ้าผ่าแบบไพทอร์ชโดยใช้ UNet สำหรับการเริ่มต้นกับความท้าทายของ BioMassers (การประมาณค่าชีวมวล)
ผู้ชนะชีวมวล -> โซลูชัน 3 อันดับแรก
โซลูชันชีวมวล kbrodt -> โซลูชันอันดับที่ 1
โซลูชันชีวมวล quqixun
การประมาณค่าชีวมวล -> จาก Azavea นำไปใช้กับ Sentinel 1 & 2
3DUNetGSFormer -> ไปป์ไลน์การเรียนรู้เชิงลึกสำหรับการทำแผนที่พื้นที่ชุ่มน้ำที่ซับซ้อนโดยใช้เครือข่ายที่สร้างความขัดแย้งและหม้อแปลง Swin
SEANet_torch -> การใช้โครงข่ายประสาทเทียมแบบมัลติทาสก์ที่รับรู้ถึงความหมายเพื่อแยกแยะพัสดุทางการเกษตรจากภาพการสำรวจระยะไกล
arborizer -> การแบ่งส่วนและการจำแนกประเภทของมงกุฎต้นไม้
การใช้ซ้ำ -> REgressive Unet สำหรับการจัดเก็บคาร์บอนและการประมาณค่ามวลชีวภาพเหนือพื้นดิน
unet-sentinel -> UNet เพื่อจัดการอิมเมจ Sentinel-1 SAR เพื่อระบุการตัดไม้ทำลายป่า
MaskedSST -> Masked Vision Transformers สำหรับการจำแนกภาพไฮเปอร์สเปกตรัม
UNet-defmapping -> วิทยานิพนธ์ระดับปริญญาโทโดยใช้ UNet เพื่อทำแผนที่การตัดไม้ทำลายป่าโดยใช้อิมเมจ Sentinel-2 ระดับ 2A ใช้กับชุดข้อมูล Amazon และ Atlantic Rainforest
cvpr-multiearth-deforestation-segmentation -> การเข้าร่วม Unet หลายรูปแบบใน CVPR Multiearth 2023 ความท้าทายในการตัดไม้ทำลายป่า
การจำแนกประเภทข้าวสาลีภายใต้การดูแลโดยใช้ pytorchs-torchgeo -> การจำแนกประเภทข้าวสาลีภายใต้การดูแลโดยใช้ torchgeo
TransUNetplus2 -> TransU-Net++: ทบทวนความสนใจที่มีรั้วรอบขอบชิด TransU-Net สำหรับการทำแผนที่การตัดไม้ทำลายป่า ใช้ชุดข้อมูลป่าอเมซอนและแอตแลนติก
แบบจำลองความสูงทรงพุ่มที่มีความละเอียดสูงของโลก -> แบบจำลองความสูงของทรงพุ่มที่มีความละเอียดสูงของโลก
Radiant Earth Spot the Crop Challenge -> โมเดลที่ชนะเลิศจาก Radiant Earth Spot the Crop Challenge ใช้อนุกรมเวลาของข้อมูลหลายสเปกตรัมของ Sentinel-2 เพื่อจำแนกพืชผลในแหลมตะวันตกของแอฟริกาใต้ วิธีแก้ปัญหาอื่น
การถ่ายโอนฟิลด์การวิเคราะห์ -> การเรียนรู้การถ่ายโอนหลายภูมิภาคสำหรับการแบ่งส่วนของขอบเขตทุ่งพืชในภาพดาวเทียมพร้อมป้ายกำกับที่จำกัด
การตรวจจับการตัดหญ้า -> การตรวจจับการตัดหญ้าและการแทะเล็มอัตโนมัติจากภาพ Sentinel
PTAViT3D และ PTAViT3DCA -> จัดการกับปุยเมฆ: การตรวจจับขอบเขตสนามโดยใช้อนุกรมเวลาของภาพ S2 และ/หรือ S1
ai4boundaries -> แพ็คเกจ Python ที่อำนวยความสะดวกในการดาวน์โหลดชุดข้อมูล AI4boundaries
pytorch-waterbody-segmentation -> โมเดล UNET ที่ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลภาพดาวเทียมของแหล่งน้ำจาก Kaggle โมเดลนี้ถูกใช้งานบน Hugging Face Spaces
การตรวจจับและวิเคราะห์น้ำท่วมโดยใช้ UNET พร้อม Resnet-34 เนื่องจากกระดูกด้านหลังใช้ fastai
การตรวจจับน้ำท่วมอัตโนมัติจากภาพถ่ายดาวเทียมโดยใช้การเรียนรู้เชิงลึก
UNSOAT ใช้ fastai เพื่อฝึก Unet เพื่อดำเนินการแบ่งส่วนความหมายบนภาพถ่ายดาวเทียมเพื่อตรวจจับน้ำ
การจำแนกประเภทและการแบ่งส่วนภาพทางอากาศความละเอียดสูงแบบกึ่งกำกับดูแล - การแก้ปัญหา FloodNet
Houston_flooding -> การติดป้ายกำกับแต่ละพิกเซลว่ามีน้ำท่วมหรือไม่ใช้ข้อมูลจากพายุเฮอริเคนฮาร์วีย์ ชุดข้อมูลประกอบด้วยภาพก่อนและหลังน้ำท่วม และหน้ากากน้ำท่วมตามความจริงภาคพื้นดินถูกสร้างขึ้นโดยใช้การจัดกลุ่มพิกเซลภาพโดยไม่ได้รับการดูแล (ด้วย DBScan) พร้อมด้วยการตรวจสอบ/การปรับคลัสเตอร์ของมนุษย์
ml4floods -> ระบบนิเวศของข้อมูล แบบจำลอง และไปป์ไลน์โค้ดเพื่อรับมือกับน้ำท่วมด้วย ML
คู่มือที่ครอบคลุมในการเริ่มต้นการแข่งขัน ETCI Flood Detection -> การใช้ Sentinel1 SAR และ pytorch
แมป Floodwater ของ SAR Imagery ด้วย SageMaker -> ใช้กับชุดข้อมูล Sentinel-1
โซลูชันอันดับ 1 สำหรับ STAC Overflow: แมปน้ำท่วมจาก Radar Imagery ที่โฮสต์โดย Microsoft AI สำหรับ Earth -> รวม Unet เข้ากับ Catboostclassifier โดยรับค่าสูงสุด ไม่ใช่ค่าเฉลี่ย
hydra-floods -> แอปพลิเคชัน Python โอเพ่นซอร์สสำหรับการดาวน์โหลด ประมวลผล และส่งมอบแผนที่น้ำผิวดินที่ได้มาจากข้อมูลการสำรวจระยะไกล
CoastSat -> เครื่องมือสำหรับการทำแผนที่แนวชายฝั่งซึ่งมีส่วนขยาย CoastSeg โดยใช้แบบจำลองการแบ่งส่วน
Satellite_Flood_Segmentation_of_Harvey -> สำรวจทั้งการเรียนรู้เชิงลึกและกิโลเมตรแบบดั้งเดิม
การตรวจจับเหตุการณ์น้ำท่วมโดยใช้ภาพถ่ายดาวเทียม
ETCI-2021-การตรวจจับการแข่งขันกับน้ำท่วม -> การทดลองการแบ่งส่วนน้ำท่วมในภาพถ่าย SAR ของ Sentinel-1 พร้อมการติดฉลากหลอกแบบวัฏจักรและการฝึกอบรมนักเรียนที่มีเสียงดัง
FDSI -> การตรวจจับน้ำท่วมในภาพดาวเทียม - งานดาวเทียมมัลติมีเดียปี 2560
deepwatermap -> โมเดลเชิงลึกที่แบ่งส่วนน้ำบนภาพหลายสเปกตรัม
rivamap -> กลไกการวิเคราะห์แม่น้ำและการทำแผนที่อัตโนมัติ
น้ำลึก -> ติดตามการเปลี่ยนแปลงของระดับน้ำ
WatNet -> ConvNet แบบลึกสำหรับการทำแผนที่น้ำผิวดินตามภาพ Sentinel-2 ใช้ชุดข้อมูล Earth Surface Water
AU-Net-for-Flood-Extent-Mapping
วัตถุลอยตัว -> มุ่งสู่การตรวจจับวัตถุลอยตัวในระดับสากลพร้อมคุณสมบัติเชิงพื้นที่ที่เรียนรู้โดยใช้ SENTINEL 2. ใช้ U-Net & pytorch
SpaceNet8 -> โซลูชัน Unet พื้นฐานเพื่อตรวจจับถนนและอาคารที่มีน้ำท่วม
dlsim -> ทลายขีดจำกัดของการสำรวจระยะไกลด้วยการจำลองและการเรียนรู้เชิงลึกสำหรับการทำแผนที่การไหลของน้ำท่วมและเศษซาก
Water-HRNet -> HRNet ได้รับการฝึกอบรมเกี่ยวกับ Sentinel 2
แบบจำลองการแบ่งส่วนความหมายเพื่อระบุที่ดินที่พัฒนาใหม่หรือน้ำท่วมโดยใช้ภาพ NAIP ที่จัดทำโดย Chesapeake Conservancy การฝึกอบรมเกี่ยวกับ MS Azure
BandNet -> การวิเคราะห์และการประยุกต์ใช้ข้อมูลหลายสเปกตรัมสำหรับการแบ่งส่วนน้ำโดยใช้การเรียนรู้ของเครื่อง ใช้ข้อมูล Sentinel-2
mmflood -> MMFlood: ชุดข้อมูลต่อเนื่องหลายรูปแบบสำหรับการวิเคราะห์น้ำท่วมจากภาพถ่ายดาวเทียม (Sentinel 1 SAR)
Urban_flooding -> สู่แบบจำลองที่ขับเคลื่อนด้วยข้อมูลที่สามารถถ่ายโอนได้เพื่อทำนายความลึกของน้ำท่วมในเขตเมืองในกรุงเบอร์ลิน ประเทศเยอรมนี
น้ำท่วม-การทำแผนที่-การใช้-ดาวเทียม-รูปภาพ -> วิทยานิพนธ์ระดับปริญญาโทเปรียบเทียบ Random Forest และ Unet
MECNet -> คุณสมบัติ CNN ที่หลากหลายสำหรับการแบ่งส่วนของผืนน้ำจากภาพถ่ายทางอากาศและดาวเทียมที่มีความละเอียดสูงมาก
SWRNET -> แนวทางการเรียนรู้เชิงลึกสำหรับการรับรู้พื้นที่น้ำผิวดินขนาดเล็กบนดาวเทียมบนเรือ
elwha-segmentation -> ปรับแต่ง Meta's Segment Anything (SAM) อย่างละเอียดสำหรับการแบ่งส่วนพิกเซลแม่น้ำในมุมมองของนก พร้อมบทความขนาดกลาง
RiverSnap -> โค้ดสำหรับกระดาษ: การวิเคราะห์ประสิทธิภาพเชิงเปรียบเทียบของโมเดลการเรียนรู้เชิงลึกยอดนิยมและโมเดลการแบ่งส่วน (SAM) สำหรับการแบ่งส่วนน้ำในแม่น้ำในภาพการรับรู้ระยะไกลระยะใกล้
SatelliteVu-AWS-Disaster-Response-Hackathon -> การทำนายการแพร่กระจายของไฟโดยใช้ ML แบบคลาสสิกและการเรียนรู้เชิงลึก
การตรวจจับไฟป่าโดยใช้ U-Net ที่ได้รับการฝึกอบรมเกี่ยวกับ Databricks & Keras การแบ่งส่วนความหมาย
วิธีการปฏิบัติจริงสำหรับการตรวจสอบพื้นที่ที่ถูกเผาไหม้ที่มีความละเอียดสูงโดยใช้ Sentinel-2 และ VIIRS
การทำนายความเสี่ยงไฟป่าเชิงพื้นที่ AI -> แบบจำลองการคาดการณ์โดยใช้ข้อมูลแรสเตอร์เชิงพื้นที่เพื่อประเมินศักยภาพของอันตรายจากไฟป่าในสหรัฐอเมริกาที่อยู่ติดกันโดยใช้ Unet
IndustrialSmokePlumeDetection -> ใช้ Sentinel-2 และ ResNet-50 ที่แก้ไขแล้ว
การตรวจจับพื้นที่ที่ถูกเผาไหม้ -> ใช้ Sentinel-2
ช่วยเหลือ -> ความสนใจต่อไฟ: โมเดลการเรียนรู้เชิงลึกหลายช่องทางสำหรับการทำนายความรุนแรงของไฟป่า
Smoke_segmentation -> การแบ่งกลุ่มควันและการทำนายความหนาแน่นจากภาพ GOES
การตรวจจับไฟป่า -> การใช้ Vision Transformers เพื่อการตรวจจับไฟป่าที่ได้รับการปรับปรุงในภาพดาวเทียม
Burned_Area_Detection -> การตรวจจับพื้นที่ที่ถูกเบิร์นด้วยข้อมูล Sentinel-2
ฐานพื้นที่ที่ถูกเผา -> โมเดล unet พื้นฐานที่มาพร้อมกับชุดข้อมูลพื้นที่ที่ถูกเผาด้วยดาวเทียม (Sentinel 1 & 2)
burned-area-seg -> การแบ่งส่วนพื้นที่ที่ถูกเบิร์นจาก Sentinel-2 โดยใช้การเรียนรู้แบบหลายงาน
chabud2023 -> การตรวจจับการเปลี่ยนแปลงสำหรับความท้าทายในการกำหนดพื้นที่ที่ถูกเผาไหม้ (ChaBuD) ECML/PKDD 2023
การตรวจจับหลังไฟป่าไหม้โดยใช้ Siamese-UNet -> บนชุดข้อมูล Chadbud
vit-burned-detection -> วิชั่นหม้อแปลงในการกำหนดพื้นที่ที่ถูกเผาไหม้
landslide-sar-unet -> การเรียนรู้เชิงลึกสำหรับการตรวจจับแผ่นดินถล่มอย่างรวดเร็วโดยใช้ Datacubes เรดาร์รูรับแสงสังเคราะห์ (SAR)
การทำแผนที่แบบถล่มด้วย CNN-> กลยุทธ์ใหม่ในการทำแผนที่แผ่นดินถล่มด้วยเครือข่ายประสาททั่วไป
relict_landslides_cnn_kmeans-> การตรวจจับถล่มถล่มในพื้นที่ป่าฝนโดยใช้การรวมกันของอัลกอริทึมการจัดกลุ่ม k-mean และแบบจำลองการแบ่งส่วนความหมายลึก
ถล่ม-การทำแผนที่-บน-ซาร์-ดาต้าโดยความสนใจ-ยูเน็ต-> การทำแผนที่อย่างรวดเร็วของแผ่นดินถล่มบนข้อมูล SAR โดยความสนใจ u-net
SAR-Landslide-Detection-Pretraining-> การจำแนกประเภทดินถล่มแบบ SAR-based นำไปสู่การแบ่งส่วนที่ดีขึ้น
การทำแผนที่ถล่มจากภาพ Sentinel-2 ผ่านการตรวจจับการเปลี่ยนแปลง
HED -UNET -> แบบจำลองสำหรับการแบ่งส่วนความหมายและการตรวจจับขอบพร้อมกันตัวอย่างที่ให้คือด้านหน้าธารน้ำแข็งและการสร้างรอยเท้าโดยใช้ชุดข้อมูลการติดฉลากภาพทางอากาศ Inria
glacier_mapping -> ธารน้ำแข็งการทำแผนที่ในฮินดู Kush Himalaya, Landsat 7 ภาพ, ฉลากรูปร่างของธารน้ำแข็ง, unet กับการออกกลางคัน
Glacier-detect-ml-> แบบจำลองการถดถอยโลจิสติกอย่างง่ายเพื่อระบุธารน้ำแข็งในภาพดาวเทียม Landsat
ธารน้ำแข็ง
แอนตาร์กติก-การตรวจจับ-> ใช้ UNET กับ MODIS mosaic ของแอนตาร์กติกาเพื่อตรวจจับการแตกหักของพื้นผิว
การตรวจจับหลุมฝังกลบแบบเปิด -> ใช้ Sentinel -2 เพื่อตรวจจับการเปลี่ยนแปลงครั้งใหญ่ในอัตราส่วนการเผาไหม้ปกติ (NBR)
SEA_ICE_REMOTE_SENSING -> การจำแนกความเข้มข้นของน้ำแข็งทะเล
การตรวจจับมีเธน-การตรวจจับจากการใช้งาน-> วิธีการตรวจจับระยะไกลลึกสำหรับการตรวจจับมีเธนในภาพเหนือศีรษะ
การจัดหมวดหมู่ของ Methane-Emission-Project-> การจำแนกประเภท CNNs ถูกรวมเข้าด้วยกันในวิธีการทั้งชุดด้วยวิธีการแบบดั้งเดิมบนข้อมูลตาราง
CH4NET -> แบบจำลองที่รวดเร็วและง่ายสำหรับการตรวจจับขนนกมีเทนโดยใช้ Sentinel -2
Eddynet -> เครือข่ายประสาทลึกสำหรับการจำแนกพิกเซลที่ชาญฉลาดของ Oceanic Eddies
Schisto -Vetation -> การแบ่งส่วนการเรียนรู้อย่างลึกซึ้งของภาพดาวเทียมระบุพืชน้ำที่เกี่ยวข้องกับหอยทากกลางโฮสต์ของ schistosomiasis ในเซเนกัล, แอฟริกา
EarthFormer -> การสำรวจหม้อแปลงเวลาอวกาศสำหรับการพยากรณ์ระบบโลก
Weather4cast-20122-> รุ่นพื้นฐาน UNET-3D สำหรับ Weather4cast Rain Movie Protaction การแข่งขัน
WeatherFusionNet -> การทำนายการตกตะกอนจากข้อมูลดาวเทียม Weather4cast-201022 วิธีที่ 1
Marinedebrisdetector-> การตรวจจับเศษซากทะเลขนาดใหญ่ในพื้นที่ชายฝั่งด้วย Sentinel-2
Kaggle-Identify-Contrails-4th-> โซลูชันอันดับที่ 4, Google Research-ระบุ contrails เพื่อลดภาวะโลกร้อน
MINESEGSAT -> ระบบอัตโนมัติเพื่อประเมินขอบเขตการขุดที่ถูกรบกวนจากพื้นที่ Sentinel -2
Starcop: การแบ่งส่วนความหมายของขนนกมีเธนกับแบบจำลองการเรียนรู้ของเครื่อง hyperspectral
ASOS -> การจดจำรูปแบบที่ได้รับการปกป้องและมนุษย์ในภูมิประเทศโดยใช้การเรียนรู้ของเครื่องจักรที่ตีความได้และภาพดาวเทียม
การสกัดถนนเป็นสิ่งที่ท้าทายเนื่องจากการบดเคี้ยวที่เกิดจากวัตถุอื่น ๆ และสภาพแวดล้อมการจราจรที่ซับซ้อน
chesapeakersc -> การแบ่งส่วนเพื่อแยกถนนจากพื้นหลัง แต่ได้รับการประเมินเพิ่มเติมโดยวิธีการทำงานในชั้นเรียน "ต้นไม้บนถนนเหนือถนน"
การตรวจจับถนนโดยใช้การแบ่งส่วนความหมายและ albumentations สำหรับการเพิ่มข้อมูลโดยใช้ชุดข้อมูล Roads Massachusetts, U-Net & Keras ด้วยรหัส
ml_epfl_project_2 -> u -net ใน pytorch เพื่อทำการแบ่งส่วนความหมายของถนนบนภาพดาวเทียม
การแบ่งส่วนความหมายของถนนโดยใช้ U-Net Keras, ข้อมูล OSM, บทความสรุปโครงการโดยนักเรียนไม่มีรหัส
โซลูชั่นที่ชนะจากการตรวจจับถนน Spacenet และการกำหนดเส้นทาง
RoadVecnet-> ถนนเครือข่ายการแบ่งเซ็กเมนต์และการจัดการใน keras พร้อมชุดข้อมูล
การตรวจจับสมุดบันทึกถนนและถนน Jupyter
DEEP-DEEP-MAP ที่ยอดเยี่ยม-> รายการทรัพยากรที่รวบรวมไว้สำหรับอัลกอริธึมการเรียนรู้เชิงลึก / การมองเห็นคอมพิวเตอร์สำหรับการทำแผนที่ ปัญหาการทำแผนที่รวมถึงการอนุมานเครือข่ายถนนการสกัดรอยเท้า ฯลฯ
RoadTracer: การสกัดเครือข่ายถนนโดยอัตโนมัติจากภาพทางอากาศ -> ใช้กระบวนการค้นหาซ้ำที่นำโดยฟังก์ชั่นการตัดสินใจที่ใช้ CNN เพื่อรับกราฟเครือข่ายถนนโดยตรงจากผลลัพธ์ของ CNN
Road_detection_mtl -> การตรวจจับถนนโดยใช้เทคนิคการเรียนรู้แบบหลายงานเพื่อปรับปรุงประสิทธิภาพของงานตรวจจับถนนโดยการรวมข้อ จำกัด ด้านความรู้ก่อนใช้ชุดข้อมูล Roads Spacenet Roads
Road_connectivity -> ปรับปรุงการเชื่อมต่อถนนโดยการเรียนรู้ร่วมกันของการปฐมนิเทศและการแบ่งส่วน (CVPR2019)
การสกัดด้วยเครือข่ายบนถนนโดยใช้การประมวลผลภาพแบบคลาสสิก-> การตรวจจับเบลอ & Canny Edge
spin_roadmapper -> การสกัดถนนจากภาพทางอากาศผ่านการให้เหตุผลกราฟอวกาศเชิงพื้นที่และการโต้ตอบสำหรับการขับขี่แบบอิสระ
Road_extraction_remote_sensing -> การใช้งาน Pytorch, CVPR2018 DeepGlobe Road Extraction Challenge ดูเพิ่มเติมที่ DeepGlobe-Road-Extraction-Challenge
ชุดข้อมูล Roaddetections โดย Microsoft
Coanet -> เครือข่ายความสนใจการเชื่อมต่อสำหรับการสกัดถนนจากภาพดาวเทียม โมดูล COA รวมข้อมูลกราฟิกเพื่อให้แน่ใจว่าการเชื่อมต่อของถนนจะได้รับการเก็บรักษาไว้ดีกว่า
การแบ่งส่วนถนนภาพดาวเทียม -> articule อินโทรบนสื่อโดยใช้ชุดข้อมูลถนน Kaggle Massachusetts Roads
ฉลากพิกเซล -> สำหรับการแบ่งส่วนความหมายของถนนและคุณสมบัติอื่น ๆ
การสกัดด้วยดาวเทียม-ภาพ-ถนน-> การสกัดถนนโดย U-Net ที่เหลืออยู่ลึก
Road_building_extraction -> การใช้งาน pytorch ของสถาปัตยกรรม u -net สำหรับการสกัดถนนและอาคาร
RCFSNET -> การสกัดถนนจากภาพดาวเทียมตามบริบทถนนและคุณสมบัติเต็มรูปแบบ
SGCN-> เครือข่ายกราฟที่แยกออกได้อย่างลึกซึ้งสำหรับการแยกถนนในสภาพแวดล้อมที่ซับซ้อนจากภาพการตรวจจับระยะไกลความละเอียดสูง
ASPN -> การแบ่งส่วนถนนสำหรับภาพการตรวจจับระยะไกลโดยใช้เครือข่ายปิรามิดเชิงพื้นที่
FCNS-for-road-Extraction-Keras-> การสกัดถนนของภาพการตรวจจับระยะไกลความละเอียดสูงตามเครือข่ายการแบ่งส่วนความหมายต่างๆ
CRESI -> การสกัดเครือข่ายถนนจากภาพดาวเทียมพร้อมการประมาณเวลาและเวลาการเดินทาง
d -linknet -> linknet พร้อม encoder pretrain
sat2graph -> การสกัดกราฟถนนผ่านการเข้ารหัสกราฟ -เซ็นเซอร์
การแบ่งส่วนภาพ) -> การใช้ชุดข้อมูลถนน Massachusetts และ Fast.ai
RoadTracer -M -> การสกัดเครือข่ายถนนจากภาพดาวเทียมโดยใช้การแบ่งส่วนและการติดตามของ CNN
Scroadextractor -> การเรียนรู้อย่างลึกล้ำการเรียนรู้อย่างลึกซึ้งสำหรับการสกัดพื้นผิวถนนจากภาพการตรวจจับระยะไกล
Roadda -> stagewise unsupervised การปรับตัวโดเมนกับการฝึกอบรมตนเองของฝ่ายตรงข้ามสำหรับการแบ่งส่วนถนนของภาพการสำรวจระยะไกล
Deepsegmentor -> การใช้งาน Pytorch ของโครงการ DeepCrack และ Roadnet
ความสนใจที่เหลืออยู่ที่เพิ่มขึ้นทำให้การสกัดถนนเพิ่มขึ้นจากภาพการตรวจจับระยะไกล
NL-Linknet-> ไปสู่การสกัดถนนที่เบากว่า แต่แม่นยำยิ่งขึ้นด้วยการดำเนินการที่ไม่ใช่ท้องถิ่น
IRSR -NET -> เครือข่ายการตรวจจับถนนแบบระยะไกลที่มีน้ำหนักเบา
Hironex -> เครื่องมือ Python สำหรับการสกัดเครือข่ายถนนในอดีตโดยอัตโนมัติ
Road_detection_model -> การทำแผนที่ถนนใน Amazon บราซิลด้วยปัญญาประดิษฐ์และ Sentinel -2
DTNET-> การตรวจจับถนนผ่านเครือข่ายคู่ทำงานตามโมดูลฟิวชั่นกราฟข้ามชั้นข้ามชั้น
การใช้งานถนนอัตโนมัติจากการใช้เทคนิคการเรียนรู้-----------> การสกัดถนนอัตโนมัติจากแผนที่ประวัติศาสตร์โดยใช้เทคนิคการเรียนรู้เชิงลึก
ISTANBUL_DATASET -> การแบ่งส่วนในชุดข้อมูล ISTANBUL, INRIA และ MASSACHUSETTS
การแบ่งส่วนถนน-> การแบ่งส่วนถนนบนภาพดาวเทียมโดยใช้ CNN (U-Nets และ FCN8) และการถดถอยโลจิสติกส์
d -linknet -> โซลูชันอันดับที่ 1 ใน DeepGlobe Road Extraction Challenge
Park-Detect-> Park-Detect: ไปสู่การสกัดถนนภาพดาวเทียมหลายงานที่มีประสิทธิภาพผ่านการตรวจจับจุดเริ่มต้นที่ชาญฉลาด
TILE2NET -> การทำแผนที่การเดิน: วิธีการวิสัยทัศน์คอมพิวเตอร์ที่ปรับขนาดได้สำหรับการสร้างชุดข้อมูลเครือข่ายทางเท้าจากภาพทางอากาศ
Aeriallanenet-> การสร้างแผนที่ระดับเลนจากภาพทางอากาศแนะนำชุดข้อมูล Aerial Lane (AEL): ชุดข้อมูลภาพทางอากาศขนาดใหญ่ตัวแรกที่สร้างขึ้นสำหรับการตรวจจับเลน
sam_road -> เซ็กเมนต์อะไรรูปแบบอะไร (SAM) สำหรับการสกัดเครือข่ายถนนขนาดใหญ่, จากภาพทางอากาศ
LRDNET -> อัลกอริทึมการตรวจจับถนนที่มีน้ำหนักเบาบนพื้นฐานของเครือข่ายความสนใจแบบ multiscale convolutional และหัวถอดรหัสคู่
การสกัดเครือข่ายถนนอย่างละเอียดผ่านการเรียนรู้ร่วมกันของการเชื่อมต่อและการแบ่งส่วน -> ใช้ชุดข้อมูล Spacenet 3
การแบ่งส่วนความหมายของถนนและอาคารในภาพดาวเทียมใช้ U-Net บนชุดข้อมูลและ Keras ของ Massachusetts Roads
ค้นหาสิ่งปลูกสร้างที่ไม่ได้รับอนุญาตโดยใช้การถ่ายภาพทางอากาศ -> การสร้างชุดข้อมูล
SRBUILDSEG-> การสร้างภาพดาวเทียมที่มีความละเอียดต่ำเกิดขึ้นใหม่: วิธีการเรียนรู้อย่างลึกซึ้งสำหรับการสกัดอาคารที่มีความละเอียดสูง
การสร้างการตรวจจับรอยเท้าด้วย Fastai บนชุดข้อมูล Spacenet7 ที่ท้าทายใช้ U-Net & Fastai
pix2pix-for-semantic-segmentation-of-satellite-images-> การใช้เครือข่าย Pix2pix GaN เพื่อแบ่งส่วนรอยเท้าอาคารจากภาพดาวเทียมใช้ TensorFlow
SpacenetUnet -> รุ่นพื้นฐานคือ U -Net ชอบนำไปใช้กับข้อมูล Spacenet Vegas โดยใช้ keras
การตรวจจับการสร้างอัตโนมัติ-> อินพุต: ความละเอียดสูงมาก (<= 0.5 m/พิกเซล) ภาพดาวเทียม RGB เอาท์พุท: อาคารในรูปแบบเวกเตอร์ (GeoJSON) ที่จะใช้ในผลิตภัณฑ์แผนที่ดิจิตอล สร้างขึ้นบน robosat และ robosat.pink
Project_sunroof_india -> วิเคราะห์ภาพดาวเทียม Google เพื่อสร้างรายงานเกี่ยวกับศักยภาพพลังงานแสงอาทิตย์ของบ้านในบ้านแต่ละหลังใช้เทคนิคการมองเห็นคอมพิวเตอร์แบบคลาสสิก (เช่นการตรวจจับขอบ Canny) เพื่อแบ่งส่วนหลังคา
การร่วมงานร่วมกับ Network-network-network-for-road และ Building-Extraction
การทำแผนที่อาคารของแอฟริกาด้วยภาพดาวเทียม: โพสต์บล็อกของ Google AI ดูชุดข้อมูล Open Buildings
nz_convnet -> convnet ที่ใช้ u -net สำหรับภาพนิวซีแลนด์เพื่อจำแนกโครงร่างอาคาร
Polycnn-> การเรียนรู้แบบ end-to-end ของรูปหลายเหลี่ยมสำหรับการจำแนกภาพการตรวจจับระยะไกล
spacenet_building_detection โซลูชันโดย Motokimura โดยใช้ UNET
VEC2INSTANCE -> นำไปใช้กับชุดข้อมูลการสร้าง Footprint Aoi 2 (Vegas) การสร้าง Footprint, TensorFlow v1.12
Earthquakedamagedetection -> การแบ่งส่วนอาคารจากภาพดาวเทียมและการจำแนกประเภทความเสียหายสำหรับแต่ละการสร้างโดยใช้ keras
repo semantic-segmentation โดย fuweifu-vtoo-> ใช้ Pytorch และชุดข้อมูลอาคารและถนนแมสซาชูเซตส์และถนน
การแยกอาคารและถนนจาก AWS Open Data โดยใช้ Amazon Sagemaker -> พร้อม repo
tf -segnet -> Airnet เป็นเครือข่ายการแบ่งส่วนที่ใช้ SEGNET แต่มีการแก้ไขบางอย่าง
RGB-footprint-extract-> เครือข่ายการแบ่งส่วนความหมายสำหรับการสกัดรอยเท้าการสร้างระดับเมืองโดยใช้ภาพดาวเทียม RGB, โมดูล Deeplavvv3+ ด้วย Backbone ResNet C42 ที่ขยายได้
Spacenetexploration -> โครงการตัวอย่างแสดงให้เห็นถึงวิธีการแยกการสร้างรอยเท้าจากภาพดาวเทียมโดยใช้แบบจำลองการแบ่งส่วนความหมาย ข้อมูลจาก Spacenet Challenge
การแยกส่วนบนสุด-อินสแตนซ์-> VGG-16, การแบ่งส่วนอินสแตนซ์ใช้ชุดข้อมูล AIRS
การทำฟาร์ม-ฟาร์มแสงอาทิตย์-> ชุดข้อมูลปัญญาประดิษฐ์สำหรับตำแหน่งพลังงานแสงอาทิตย์ในอินเดีย
Poultry-Cafos-> repo นี้มีรหัสสำหรับการตรวจจับ Barns สัตว์ปีกจากภาพถ่ายทางอากาศความละเอียดสูงและชุดข้อมูลประกอบของโรงนาที่คาดการณ์ไว้เหนือสหรัฐอเมริกา
ssai -cnn -> นี่คือการใช้วิธีวิทยานิพนธ์ของ Volodymyr MNIH บนชุดข้อมูลและอาคารของ Massachusetts Road และอาคารของเขา
การตรวจจับระยะไกล-การสกัดเป็น 3D-model-paddle-paddle-and-grasshopper
การแบ่งส่วนเพิ่มความพร้อม-> การสกัดอาคารในเมืองในภูมิภาค DAEJEON โดยใช้ U-NET ที่เหลืออยู่
หน้ากาก rcnn สำหรับ spacenet ปิดการตรวจจับอาคารขีดตกต่ำสุด
GRSL_BFE_MA -> การสกัดรอยเท้าการสร้างที่เน้นการเรียนรู้อย่างลึก
Fer -cnn -> การตรวจจับการจำแนกและการทำให้เป็นมาตรฐานของอาคารในภาพดาวเทียมโดยใช้เครือข่ายประสาทเทียมที่เร็วขึ้น
unet-image-segmentation-satellite-picture-> unet เพื่อทำนายท็อปส์ซูหลังคาในชุดข้อมูลการทำแผนที่ AI ที่แออัดใช้ keras
Vector-Map-Generation-from-Aerial-Imagery-using-Deep-learning-Geospatial-Unet-> นำไปใช้กับภาพอ้างอิงทางภูมิศาสตร์ซึ่งมีขนาดใหญ่มาก> 10k x 10k พิกเซล
FUCHIOND-FOOTPRINT-SUGETIONATION-> PIP ห้องสมุดที่ติดตั้งได้เพื่อฝึกการแบ่งส่วนรอยเท้าอาคารบนภาพดาวเทียมและภาพถ่ายทางอากาศนำไปใช้กับชุดข้อมูลอาคาร MASSACHUSETTS และชุดข้อมูลการติดฉลากภาพทางอากาศ INRIA
SemsegBuildings -> โครงการโดยใช้ Fast.ai Framework สำหรับการแบ่งส่วนความหมายในชุดข้อมูลการแบ่งส่วนอาคาร Inria
fcnn -example -> overfit ไปยังภาพเดียวที่กำหนดเพื่อตรวจจับบ้าน
SAT2LOD2-> ซอฟต์แวร์เปิดใช้งาน GUI-enabled แบบโอเพ่นซอร์สที่ใช้ภาพดาวเทียมเป็นอินพุตและส่งคืนโมเดลการสร้าง LOD2 เป็นเอาต์พุต
satfootprint -> การแบ่งส่วนอาคารบนชุดข้อมูล Spacenet 7
การตรวจจับอาคาร -> การทดลองแรสเตอร์วิสัยทัศน์เพื่อฝึกอบรมแบบจำลองเพื่อตรวจจับอาคารจากภาพดาวเทียมในสามเมืองในละตินอเมริกา
ตัวติดตามการสร้างแบบหลายตัวติดตาม-> ตัวติดตามอาคารหลายเป้าหมายสำหรับภาพดาวเทียมโดยใช้การเรียนรู้ลึก
การขยายขอบเขตความหมายของขอบเขตสำหรับการสกัดอาคาร
รหัส Keras สำหรับการแบ่งส่วนความหมายแบบไบนารี
การตรวจจับการสร้าง Spacenet
LGPNET-BCD-> การตรวจจับการเปลี่ยนแปลงอาคารสำหรับภาพการตรวจจับระยะไกล VHR ผ่านเครือข่ายปิรามิดในท้องถิ่นและกลยุทธ์การเรียนรู้การถ่ายโอนข้ามงาน
mtl_homoscedastic_srb -> กรอบการเรียนรู้ลึกหลายงานสำหรับการสร้างการแบ่งส่วนรอยเท้า
unet_cnn -> โมเดล UNET เพื่อแบ่งส่วนความครอบคลุมการสร้างในบอสตันโดยใช้ข้อมูลการตรวจจับระยะไกลใช้ keras
FDANET-> การปรับโดเมนเต็มรูปแบบสำหรับการสร้างการสกัดในภาพการตรวจจับระยะไกลความละเอียดสูงมาก
CBRNET-> เครือข่ายการปรับแต่งขอบเขตแบบหยาบถึงระยะไกลสำหรับการสร้างการสกัดจากภาพการสำรวจระยะไกล
ASLNET -> การเรียนรู้รูปร่างที่เป็นปฏิปักษ์สำหรับการสร้างการสกัดในภาพการตรวจจับระยะไกล VHR
Brrnet -> เครือข่ายประสาทแบบ convolutional อย่างเต็มที่สำหรับการสกัดอาคารอัตโนมัติจากภาพการตรวจจับระยะไกลความละเอียดสูง
Index-building-index-> ดัชนีอาคารกรองหลายระดับสำหรับการสร้างการสกัดในภาพดาวเทียมที่มีความละเอียดสูงมาก
แบบจำลองสำหรับการตรวจจับระยะไกล -> รายการความยาวของ UNET ฯลฯ ที่ใช้กับการตรวจจับอาคาร
BUNTARY_LOSS_FOR_REMOTE_SENSING -> การสูญเสียขอบเขตสำหรับการแบ่งส่วนความหมายในการตรวจจับระยะไกล
Open Cities AI Challenge -> การแบ่งส่วนอาคารเพื่อความยืดหยุ่นจากภัยพิบัติ โซลูชั่นที่ชนะใน GitHub
MAPNET -> เครือข่าย Neural Path Multi ที่เข้าร่วมสำหรับการสร้างการสกัดรอยเท้าจากภาพถ่ายจากระยะไกล
Dual -HRNET -> การ จำกัด อาคารและจำแนกระดับความเสียหายของพวกเขา
ESFNET -> เครือข่ายที่มีประสิทธิภาพสำหรับการสร้างการสกัดจากภาพทางอากาศความละเอียดสูง
Rooftop-Detection-Python-> ตรวจจับหลังคาจากภาพดาวเทียมความละเอียดต่ำและคำนวณพื้นที่สำหรับการเพาะปลูกและการผ่อนชำระแผงโซลาร์เซลล์โดยใช้เทคนิคการมองเห็นคอมพิวเตอร์แบบคลาสสิก
keras_segmentation_models -> การใช้ข้อมูลเชิงพื้นที่ที่ใช้เวกเตอร์แบบเปิดเพื่อสร้างชุดข้อมูลความหมายสำหรับการสร้างการแบ่งส่วนสำหรับข้อมูลแรสเตอร์
cvcmffnet -> เครือข่ายฟิวชั่น convolutional และ multifeature ที่ซับซ้อนสำหรับการสร้างการแบ่งส่วนความหมายของภาพ Insar
STEB-Unet-> Booster การเข้ารหัสที่ใช้หม้อแปลง Swin รวมอยู่ในเครือข่ายรูปตัวยูสำหรับการสร้างการสกัด
DFC2020_BASELINE-> โซลูชันพื้นฐานสำหรับ IEEE GRSS Data Fusion Contest การประกวด 2020. ทำนายป้ายกำกับที่ดินจาก Sentinel-1 และ Sentinel-2 Imagery
การหลอมรวมหลายแบบจำลองการแบ่งส่วนตามชุดข้อมูลที่แตกต่างกันเป็นรุ่นที่ปรับใช้ได้แบบเดียว -> การแบ่งส่วนหลังคา, รถยนต์และถนน
พื้นดิน-ความจริง-การแบ่งแยก-> ใช้ pix2pix เพื่อแบ่งส่วนรอยเท้าของอาคาร ชุดข้อมูลที่ใช้คือการออกอากาศ
UNICEF -GIGA_SUDAN -> ตรวจจับล็อตโรงเรียนจากภาพดาวเทียมทางตอนใต้ของซูดานโดยใช้แบบจำลองการแบ่งส่วน UNET
building_footprint_extraction -> โครงการดึงภาพดาวเทียมจาก Google และทำการสกัดการสร้างรอยเท้าโดยใช้ U -NET
Projectregularization -> การทำให้เป็นมาตรฐานของการสร้างขอบเขตในภาพดาวเทียมโดยใช้การสูญเสียที่เป็นปฏิปักษ์และเป็นปกติ
PolyworldpretrainedNetwork -> การสกัดอาคารรูปหลายเหลี่ยมด้วยเครือข่ายประสาทกราฟในภาพดาวเทียม
DL_IMAGE_SEGUNTATION -> การเรียนรู้ที่ลึกซึ้งที่สามารถตีความได้อย่างไม่แน่นอนสำหรับการทำแผนที่สลัมและการตรวจสอบ ใช้ shap
UBC-Dataset-> ชุดข้อมูลสำหรับการตรวจจับการสร้างและการจำแนกประเภทจากภาพดาวเทียมความละเอียดสูงมากโดยมุ่งเน้นไปที่การตีความระดับวัตถุของอาคารแต่ละหลัง
unetformer -> หม้อแปลงที่มีลักษณะเหมือน UNET สำหรับการแบ่งส่วนความหมายที่มีประสิทธิภาพของภาพฉากในเมืองที่รับรู้จากระยะไกล
BES-NET-> เครือข่ายบริบทความหมายในการเพิ่มขอบเขตสำหรับการแบ่งส่วนความหมายของภาพความละเอียดสูง นำไปใช้กับชุดข้อมูล Vaihingen และ Potsdam
CVNET -> เครือข่ายการสั่นสะเทือนของ Contour สำหรับการสร้างการสกัด
CFENET -> เครือข่ายการปรับปรุงคุณสมบัติบริบทสำหรับการสร้างการสกัดจากภาพการตรวจจับระยะไกลความละเอียดสูง
HISUP -> การทำแผนที่รูปหลายเหลี่ยมที่แม่นยำของอาคารในภาพดาวเทียม
การสร้างอาคาร -> การสกัดอาคารจากภาพการตรวจจับระยะไกลด้วยหม้อแปลงโทเค็นเบาบาง
CrossgeOnet -> กรอบการทำงานสำหรับการสร้างการสร้างรอยเท้าของพื้นที่ทางภูมิศาสตร์ที่มีฉลาก
AFM_BUILDING -> การสร้างการสร้างรอยเท้าผ่านเครือข่ายประสาทเทียมที่มีการเป็นตัวแทนเขตข้อมูลดึงดูด
Ramp (AI ที่จำลองได้สำหรับการตรวจจับขนาดเล็ก) -> การตรวจจับอาคารในประเทศที่มีรายได้ต่ำและปานกลาง
การสร้างส่วนผสมในการแยกส่วน-> เครือข่ายฟิวชั่นฟีเจอร์หลายรูปแบบพร้อมเครื่องตรวจจับจุดกลางแบบปรับได้สำหรับการสกัดอินสแตนซ์ของอาคาร
CGSANET-> A ENCODER-DECODER NETWORY-DECODE
อาคาร-เท้า-อัปเดต-> การเรียนรู้การกระจายสีจากภาพการตรวจจับระยะไกล bitemporal เพื่ออัปเดตรอยเท้าอาคารที่มีอยู่
ทางลาด -> ชุดข้อมูลแบบจำลองและอาคารเพื่อรองรับกรณีการใช้งานด้านมนุษยธรรมที่หลากหลาย
Thesis_Semantic_image_segmentation_on_satellite_imagery_using_unets -> วิทยานิพนธ์หลักนี้มีวัตถุประสงค์เพื่อทำการแบ่งส่วนความหมายของอาคารบนภาพดาวเทียมจากชุดข้อมูล Spacenet Challenge 1 โดยใช้สถาปัตยกรรม U -Net
HD-NET-> เครือข่าย decoupled ความละเอียดสูงสำหรับการสร้างการสกัดรอยเท้าผ่านร่างกายที่ได้รับการดูแลอย่างลึกซึ้งและการสลายตัวของขอบเขต
Roofsense -> โซลูชันการเรียนรู้เชิงลึกแบบใหม่สำหรับการจำแนกวัสดุหลังคาอัตโนมัติของสต็อกอาคารดัตช์โดยใช้ภาพถ่ายทางอากาศและการสแกนข้อมูลเลเซอร์ฟิวชั่น
IBS-AQSNET-> เครือข่ายการประเมินคุณภาพอัตโนมัติที่ได้รับการปรับปรุงสำหรับการแบ่งส่วนอาคารแบบโต้ตอบในภาพการตรวจจับระยะไกลความละเอียดสูง
Deepmao -> เครือข่ายที่มีความรู้หลายระดับที่ลึกมากสำหรับการสร้างการแบ่งส่วนในภาพดาวเทียม
การเรียนรู้อย่างลึกล้ำสำหรับการรับรู้----> การใช้การตรวจจับวัตถุทั้งสองด้วยการแบ่งส่วน YOLOV5 และ UNET
Deepsolar -> กรอบการเรียนรู้ของเครื่องเพื่อสร้างฐานข้อมูลการปรับใช้พลังงานแสงอาทิตย์อย่างมีประสิทธิภาพในสหรัฐอเมริกา ชุดข้อมูลเกี่ยวกับ Kaggle ใช้ CNN สำหรับการจำแนกประเภทและการแบ่งส่วนจริงโดยใช้เกณฑ์ไปยังแผนที่เปิดใช้งาน รหัสต้นฉบับคือ TF1 แต่ TF2/KERS และมีการใช้งาน pytorch นอกจากนี้ยังมีการสร้างภาพข้อมูลและการวิเคราะห์เชิงลึก .. ของปัจจัยที่สามารถอธิบายการยอมรับพลังงานแสงอาทิตย์ใน .. Virginia และ Deepsolar Tracker: ไปสู่การประเมินที่ไม่ได้รับการดูแลด้วยข้อมูลโอเพ่นซอร์สของความถูกต้องของการทำแผนที่ PV แบบกระจายแบบกระจายลึก
hyperion_solar_net -> โมเดล classificaton และการแบ่งส่วนที่ผ่านการฝึกอบรมบนภาพ RGB จาก Google Maps
3D-PV-Locator-> การตรวจจับขนาดใหญ่ของระบบเซลล์แสงอาทิตย์ที่ติดตั้งบนดาดฟ้าใน 3D
pv_pipeline -> deepsolar สำหรับเยอรมนี
การตรวจจับ-แผงโซลาร์เซลล์-> การใช้ segnet, f
