techniques
General tidy up
深度学习彻底改变了卫星和航空图像的分析和解释，解决了巨大的图像尺寸和广泛的对象类别等独特的挑战。该存储库提供了专为卫星和航空图像处理量身定制的深度学习技术的详尽概述。它涵盖了一系列适用于分类、分割和对象检测等关键任务的架构、模型和算法。
如何使用此存储库：使用Command + F (Mac) 或CTRL + F (Windows) 在此页面搜索“SAM”
UC Merced 数据集是众所周知的分类数据集。
分类是遥感数据分析的一项基本任务，其目标是为每幅图像分配语义标签，例如“城市”、“森林”、“农田”等。为图像分配标签的过程是称为图像级分类。然而，在某些情况下，单个图像可能包含多种不同的土地覆盖类型，例如有河流穿过的森林，或者既有住宅区又有商业区的城市。在这些情况下，图像级分类变得更加复杂，并且涉及为单个图像分配多个标签。这可以通过结合特征提取和机器学习算法来准确识别不同的土地覆盖类型来实现。需要注意的是，图像级分类不应与像素级分类（也称为语义分割）混淆。图像级分类为整个图像分配单个标签，而语义分割为图像中的每个单独像素分配一个标签，从而对图像中的土地覆盖类型进行高度详细且准确的表示。阅读神经网络卫星图像分类简介
使用简单的 sklearn 聚类算法或深度学习 CNN 对 Sentinel 2 数据进行土地分类
使用 keras 或 FastAI 对亚马逊雨林卫星照片进行多标签分类
EuroSat-Satellite-CNN-and-ResNet -> 使用 PyTorch 从头开始创建卷积神经网络和残差网络，对自定义图像数据集进行分类
使用带有 repo 的 ResNet-50 分类器微调从卫星图像中检测非正式定居点
Land-Cover-Classification-using-Sentinel-2-Dataset -> 写得很好的 Medium 文章随附此存储库，但使用 EuroSAT 数据集
使用 Keras 和在加利福尼亚州萨利纳斯谷葡萄园田地捕获的多光谱数据集使用卷积神经网络对卫星图像进行土地覆盖分类
从卫星图像中检测森林砍伐 -> 使用 FastAI 和 ResNet50，以及 repo fsdl_deforestation_detection
在 Python 中使用 Tensorflow 进行卫星数据分类的神经网络 -> 用于二进制构建/非构建类预测的 Landsat 5 多光谱数据分类的分步指南，带存储库
根据 VHR（Pleiades：0.5m）和 MR（Sentinel：10m）图像上预训练的 CNN 网络绘制贫民窟地图
使用卫星图像和卷积神经网络比较城市环境 -> 包括对为 Urban Atlas 数据集上的每个图像提取的图像嵌入特征进行有趣的研究
RSI-CB -> 通过众包数据的大规模遥感图像分类基准。另请参见遥感图像分类
NAIP_PoolDetection -> 建模为对象识别问题，CNN 用于将图像识别为游泳池或其他物体 - 特别是街道、屋顶或草坪
使用 ResNet 深度学习架构进行土地利用和土地覆盖分类 -> 使用 fastai 和 EuroSAT 数据集
Vision Transformers 用例：无需 CNN 的卫星图像分类
WaterNet -> 识别卫星图像中水的 CNN
道路网络分类 -> 使用 ResNet-34 的道路网络分类模型，道路类别有机、网格、放射状和无图案
扩展人工智能以绘制地球上每所学校的地图
Landsat 分类 CNN 教程（带存储库）
卫星人行横道分类
通过多标签分类 + VGG-19、Inceptionv3、AlexNet 和迁移学习了解亚马逊雨林
用于土地覆盖分类的 3D-CNN 模型的实现 -> 使用 Sundarbans 数据集和 repo
SSTN -> 用于高光谱图像分类的光谱空间变换网络：FAS 框架
SatellitePollutionCNN -> 一种使用深度学习和 GoogleMaps 卫星图像以最先进的精度预测空气污染水平的新颖算法
PropertyClassification -> 对给定的房地产、卫星和街景图像的财产类型进行分类
Remote-Sense-quickstart -> 对多个数据集进行分类，包括注意力可视化
使用多种机器学习算法进行卫星图像分类
satsense -> 使用经典特征（包括 HoG 和 NDVI）进行土地利用/覆盖分类
PyTorch_UCMerced_LandUse
EuroSAT 图像分类
landcover_classification -> 在 EuroSAT 上使用 fast.ai
IGARSS2020_BWMS -> 用于遥感图像场景分类的带状多尺度 CNN 架构，采用新颖的 CNN 架构进行高维 RS 图像的特征嵌入
image.classification.on.EuroSAT -> 纯 pytorch 中的解决方案
hurricane_damage -> 基于航空图像的飓风后结构损坏评估
openai-drivendata-challenge -> 使用深度学习对屋顶的建筑材料进行分类（来自南美洲的航拍图像）
is-it-abandoned -> 我们能否根据航空激光雷达图像判断房屋是否被遗弃？
BoulderAreaDetector -> CNN 来分类卫星图像显示的某个区域是否是一个好的攀岩点
ISPRS_S2FL -> 具有共享和特定特征学习模型的土地覆盖分类多模态遥感基准数据集
Brazil-Coffee-Detection -> 使用 Keras 和公共数据集
tf-crash-severity -> 预测卫星图像中包含的给定道路特征的碰撞严重程度
ensemble_LCLU -> 用于遥感土地覆盖和土地利用分类的深度神经网络集成
cerraNet -> 根据上下文对巴西塞拉多的使用类型和覆盖范围进行分类
使用卫星图像进行城市分析 -> 使用分割和分类的组合将城市区域分类为规划或未规划
ChipClassification -> 对 PlanetScope 和 Sentinel-2 图像中的云、阴影和土地覆盖场景进行多模态分类的深度学习
DeeplearningClassficationLandsat-tImages -> 使用大规模中分辨率 Landsat 卫星图像进行水/冰/土地分类
wildfire-detection-from-satellite-images-ml -> 检测图像是否包含野火，例如 Flask Web 应用程序
深度学习的采矿发现 -> 使用深度学习在卫星图像中检测采矿和尾矿坝
电农平台 -> 作物类型分类
Sentinel2-deep-learning -> Sentinel-2 图像土地分类的新颖训练方法
RSSC-transfer -> 预训练在高分辨率遥感场景分类中的作用
对地理参考照片和卫星图像进行分类以支持地形分类 -> 检测洪水
多加注意 -> 基于增强型注意模块的遥感图像场景分类
基于深度卷积神经网络的改进交叉熵损失和迁移学习策略的遥感图像分类
DenseNet40-for-HRRSISC -> 用于遥感图像场景分类的 DenseNet40，使用 UC Merced 数据集
SKAL -> 近距离观察场景：遥感图像场景分类的多尺度表示学习
potsdam-tensorflow-practice -> 使用tensorflow对Potsdam数据集进行图像分类
SAFF -> 基于自注意力的深度特征融合遥感场景分类
GLNET -> 基于卷积神经网络的晴天和阴天环境下遥感场景分类
遥感图像分类->使用pytorch进行迁移学习将遥感数据分为三类：飞机、船舶、无
Remote_sensing_pretrained_models -> 作为在 ImageNet 上预训练的模型进行微调的替代方案，这里一些 CNN 在 RSD46-WHU 和 AID 数据集上进行了预训练
CNN_AircraftDetection -> 使用 keras 在卫星图像中进行飞机检测的 CNN
OBIC-GCN -> 基于对象的图卷积网络遥感图像分类框架
aitlas-arena -> 一个开源基准框架，用于评估地球观测 (EO) 中图像分类的最先进深度学习方法
干旱观察 -> 基于卫星的肯尼亚北部牲畜饲料状况预测
JSTARS_2020_DPN-HRA -> 用于高光谱图像分类的具有混合残差注意力的深度原型网络
SIGNA -> 用于多标签遥感图像分类的语义交错全局通道注意
使用 rmldnn 和 Sentinel 2 数据进行卫星图像分类
PBDL -> 基于块的遥感场景分类判别学习
EmergencyNet -> 通过无人机识别火灾和其他紧急情况
卫星砍伐森林 -> 使用卫星图像识别森林砍伐的领先指标，应用于 Kaggle 挑战赛“从太空了解亚马逊”
RSMLC -> 深度网络架构作为遥感图像多标签分类的特征提取器
FireRisk -> 使用监督和自监督学习进行火灾风险评估的遥感数据集和基准
洪水_susceptibility_mapping -> 在德国柏林使用数据驱动模型绘制城市洪水敏感性图
tick-tick-bloom -> Tick Tick Bloom：有害藻华检测挑战赛的获奖者。任务是预测藻华的严重程度，获胜者使用决策树
使用计算机视觉从卫星图像估计燃煤电厂的运行情况 -> 使用 Sentinel 2 数据通过数据集和存储库来识别燃煤电厂是否开启或关闭
建筑物检测和屋顶类型识别 -> 基于 CNN 的使用单幅航拍图像自动建筑物检测和屋顶类型识别的方法
土地利用分类多光谱通道的性能比较 -> 在 RGB 和 EuroSAT 数据集的多光谱版本上实现了 ResNet-50、ResNet-101、ResNet-152、Vision Transformer。
SNN4Space -> 研究在土地覆盖和土地利用分类任务中部署尖峰神经网络 (SNN) 的可行性的项目
船舶分类 -> 根据 AIS 数据对船舶进行分类并识别捕捞行为
RSMamba -> 使用状态空间模型进行遥感图像分类
BirdSAT -> 用于鸟类分类和绘图的跨视图对比掩模自动编码器
EGNNA_WND -> 使用图神经网络估计西尼罗河病的存在
cyfi -> 根据 Sentinel-2 卫星图像估算蓝藻密度
（左）卫星图像和（右）图像中的语义类别。
图像分割是图像分析和计算机视觉中的关键步骤，其目标是将图像划分为语义上有意义的片段或区域。图像分割过程为图像中的每个像素分配一个类标签，有效地将图像从像素的二维网格转换为具有指定类标签的像素的二维网格。图像分割的一种常见应用是道路或建筑物分割，其目标是识别道路和建筑物并将其与图像中的其他特征分开。为了完成此任务，通常训练单类模型来区分道路和背景，或建筑物和背景。这些模型旨在识别道路或建筑物特征的特定特征，例如颜色、纹理和形状，并使用此信息为图像中的像素分配类别标签。图像分割的另一个常见应用是土地利用或作物类型分类，其目标是识别和绘制图像中不同的土地覆盖类型。在这种情况下，多类模型通常用于识别和区分图像中的多个类，例如森林、城市地区和农田。这些模型能够识别不同土地覆盖类型之间的复杂关系，从而可以更全面地理解图像内容。阅读使用神经网络进行卫星图像分割的简要介绍。请注意，许多提到“高光谱土地分类”的文章实际上通常是在描述语义分割。图片来源
用于不平衡航空图像语义分割的 U-Net -> 使用迪拜数据集
使用 TensorFlow U-Net 模型对迪拜数据集进行语义分割
nga-deep-learning -> 使用 NASA 研究人员发布的修改后的 U-Net 和 Keras 对高质量 GeoTIF 数据执行语义分割
使用深度学习自动检测垃圾填埋场
SpectralNET -> 用于高光谱图像分类的 2D 小波 CNN，使用 Salinas 场景数据集和 Keras
laika -> 该存储库的目标是研究卫星图像数据的潜在来源并实现卫星图像分割的各种算法
PEARL -> 一种人机交互的人工智能工具，可大大减少生成准确的土地利用/土地覆盖 (LULC) 地图所需的时间，博客文章，使用 Microsoft 行星计算机和在浏览器中本地运行的 ML 模型。后端和前端代码
Land Cover Classification with U-Net -> Satellite Image Multi-Class Semantic Segmentation Task with PyTorch U-Net 的实现，使用 DeepGlobe 土地覆盖分割数据集，带有代码
使用 DSTL 数据集、tensorflow 1 和 python 2.7 使用 U-Net 对卫星图像进行多类语义分割。随附文章
使用 Keras 使用 U-Net 进行多类土地覆盖分类的代码库并附有硕士学位论文
dubai-satellite-imagery-segmentation -> 由于数据集较小，使用了图像增强
CDL-分割 -> 基于深度学习的土地覆盖和作物类型分类：比较研究。比较 UNet、SegNet 和 DeepLabv3+
LoveDA -> 用于域自适应语义分割的遥感土地覆盖数据集
使用 CNN 进行卫星图像语义分割 -> 7 个不同的分割类别，DeepGlobe 土地覆盖分类挑战数据集，带存储库
使用 U-Net 深度学习模型进行空中语义分割中等文章，带存储库
UNet-Satellite-Image-Segmentation -> 轻型 UNet 语义分割框架的 Tensorflow 实现
DeepGlobe 土地覆盖分类挑战解决方案
使用 PyTorch-Satellite-Imagery 进行语义分割 -> 预测用于评估飓风哈维后损失的 RGB 图像的 25 个类别
使用 Sentinel-2 图像进行语义分割 -> 使用 LandCoverNet 数据集和 fast.ai
CNN_Enhanced_GCN -> 用于高光谱图像分类的像素级和超像素级特征融合的 CNN 增强图卷积网络
LULCMapping-WV3images-CORINE-DLMethods -> 使用基于深度学习的分割方法和 VHR Worldview-3 图像绘制土地利用和土地覆盖图
MCANet -> 用于土地利用分类的光学和 SAR 图像联合语义分割框架。使用 WHU-OPT-SAR 数据集
MUnet-LUC
土地覆盖 -> 土地覆盖制图深度学习应用中的模型泛化
genericizedrsc -> 可泛化土地利用场景分类的跨数据集学习
Large-scale-Automatic-Identification-of-Urban-Vacant-Land -> 基于高分辨率遥感影像语义分割的大规模城市空置土地自动识别
SSLTransformerRS -> 用于土地覆盖分割和分类的自监督视觉转换器
aerial-tile-segmentation -> 使用 Tensorflow 2.0 和 ISPRS 基准数据集将大型卫星图像语义分割为 6 类
LULCMapping-WV3images-CORINE-DLMethods -> 使用基于深度学习的分割方法和 VHR Worldview-3 图像绘制土地利用和土地覆盖图
DCSA-Net -> VHR 遥感图像中土地覆盖分类的动态卷积自注意力网络
CHeGCN-CNN_enhanced_Heterogeneous_Graph -> CNN 增强型异构图卷积网络：通过公园分割案例研究从土地覆盖推断土地利用
TCSVT_2022_DGSSC -> DGSSC：用于不平衡高光谱图像的深度生成光谱空间分类器
DeepForest-Wetland-Paper -> 结合 Sentinel-1 和 Sentinel-2 数据、GIScience 和遥感进行湿地绘图的深层森林分类器
Wetland_UNet -> UNet 模型，可以使用遥感数据输入（包括来自 Sentinel-2 LiDAR 和地貌的波段）来描绘湿地。切萨皮克保护区保护创新中心和野生动物保护者协会
DPA -> DPA 是一种无监督域适应 (UDA) 方法，应用于不同的卫星图像以进行大尺度土地覆盖测绘。
动态世界 -> 动态世界，近实时全球 10 m 土地利用土地覆盖测绘
spada -> 使用 Sentinel-2 图像的稀疏注释进行土地覆盖分割
M3SPADA -> 具有空间伪标签和对抗性学习的土地覆盖测绘多传感器时间无监督域适应
GLNet -> 用于超高分辨率图像的内存高效分割的协作全局局部网络
LoveNAS -> LoveNAS：通过分层搜索自适应网络实现多场景土地覆盖绘图
FLAIR-2挑战 -> 法国国家地理和森林信息研究所（IGN）提出的语义分割和领域适应挑战
flair-2 第八名解决方案
请注意，森林砍伐检测可以被视为分割任务或变化检测任务
DetecTree -> Python 中的航空图像树检测，航空图像中树/非树像素的 LightGBM 分类器
Сrор 场边界检测：方法和主要挑战 -> 中等文章，涵盖历史和现代方法
kenya-crop-mask -> 肯尼亚的年度和当季作物地图 - LSTM 分类器将像素分类为包含作物或不包含作物，以及一个多光谱预报器，在给定部分输入的情况下提供 12 个月的时间序列。从GEE和pytorch Lightning下载的数据集用于训练
那里长着什么？使用 eo-learn 从多光谱遥感数据 (Sentinel 2) 中识别农作物，进行数据预处理、云检测、NDVI 计算、图像增强和 fastai
使用 3D 卷积神经网络根据机载 LiDAR 和高光谱数据进行树种分类
作物类型分类 -> 将 Sentinel 1 和 2 数据与 U-Net + LSTM 结合使用，更多特征（即波段）和更高分辨率产生更好的结果（文章，无代码）
使用 Mask R-CNN 查找运动场并覆盖在开放街道地图上
用于为多哥生成裁剪蒙版的 LSTM
DeepSatModels -> 用于作物类型语义分割的上下文自对比预训练
farm-pin-crop-detection-challenge -> 使用 eo-learn 和 fastai 从多光谱遥感数据中识别农作物
从 Sentinel-2 卫星图像检测农业农田 -> 我们开发了 UNet-Agri，这是一种基准机器学习模型，可使用 10m 空间分辨率的开放获取 Sentinel-2 图像对农田进行分类
DeepTreeAttention -> Hang 等人的实现2020年“使用注意力辅助CNN的高光谱图像分类”用于树种预测
作物分类 -> 使用多时态卫星图像进行作物分类
ParcelDelineation -> 在 keras 中使用法国多边形数据集和unet
Crop-mask -> 用于生成高分辨率农田地图的端到端工作流程，使用 GEE 和 LSTM 模型
DeepCropMapping -> 一种多时相深度学习方法，使用 LSTM 改进动态玉米和大豆绘图的空间泛化性
使用 NDVI 和 Rasterio 对冠层覆盖物和土壤进行分段
使用 KMeans 聚类按土地覆盖/土地利用分割卫星图像
ResUnet-a -> 遥感数据语义分割的深度学习框架
DSD_paper_2020 -> 基于多时相 Sentinel-1 数据机器学习的作物类型分类
MR-DNN -> 从 Landsat 8 卫星图像中提取稻田
deep_learning_forest_monitoring -> 使用 Sentinel-2 数据和深度学习对非洲大陆进行森林测绘和监测
global-cropland-mapping -> 全球多时相农田制图
U-Net 用 SAR 图像对大豆农田进行语义分割
UNet-RemoteSensing -> 使用 Landsat 和 keras 的 7 个频段
Landuse_DL -> 描绘由于富含冰的永久冻土融化而形成的地貌
树冠 -> 卷积神经网络分类器从高光谱图像中识别混合针叶林中的树种
随机森林分类 -> 使用固定翼无人机获取泥炭地植被群落的多传感器数据
Forest_change_detection -> 具有时间相关模型的森林变化分割，包括 Siamese、UNet-LSTM、UNet-diff、UNet3D 模型
cultionet -> 耕地分割，基于 PyTorch Geometric 和 PyTorch Lightning 构建
Sentinel-tree-cover -> 一种利用中分辨率卫星图像识别封闭冠层森林外树木的全球方法
作物类型检测-ICLR-2020 -> ICLR 2020 CV4A 研讨会作物类型检测竞赛获奖解决方案
使用卫星图像进行作物识别 -> 中等文章，作物识别简介
S4A-Models -> Sen4AgriNet 数据集上的各种实验
注意力机制-unet -> 基于注意力的 U-Net，用于检测卫星传感器图像中的森林砍伐
Cocoa_plantations_detection -> 使用 KNN、SVM、随机森林和 MLP 使用 Sentinel-2 遥感数据检测科特迪瓦的可可种植园
SummerCrop_Deeplearning -> 农田生态系统中农作物的可迁移学习分类模型和碳汇估算
DeepForest 是一个 Python 包，用于根据机载 RGB 图像训练和预测单个树冠
来自 Omdena 的“卫星图像识别树木”挑战赛的官方存储库
使用卫星图像计数树木 -> 创建传入和传出树木的清单以进行年度树木检查，使用 keras 和语义分割
2020 年《自然》论文 - 西非撒哈拉和萨赫勒地区的树木数量出人意料地多 -> 基于 U-Net 和 tensorflow 2 的树木检测框架，代码见此处
TreeDetection -> 基于颜色的分类器，用于检测 google 图像数据中的树木，以及通过 OpenCV 进行树木视觉定位和树冠大小计算
PTDM -> 基于注意力机制和跨层特征融合的柚子树检测方法
Urban-Tree-Detection -> 使用高分辨率多光谱图像进行大规模城市环境中的单棵树检测。带数据集
BioMassters_baseline -> 使用 UNet 的基本 pytorch 闪电基线，用于开始 BioMassers 挑战（生物量估计）
Biomasters 获奖者 -> 前 3 名解决方案
kbrodt 生物质能解决方案 -> 第一名解决方案
趣奇讯生物质能解决方案
生物量估计 -> 来自 Azavea，应用于 Sentinel 1 和 2
3DUNetGSFormer -> 使用生成对抗网络和 Swin 变压器进行复杂湿地测绘的深度学习管道
SEANet_torch -> 使用语义边缘感知多任务神经网络从遥感图像中描绘农业地块
arborizer -> 树冠分割和分类
再利用 -> 用于碳储存和地上生物量估算的回归 Unet
unet-sentinel -> UNet 处理 Sentinel-1 SAR 图像以识别森林砍伐
MaskedSST -> 用于高光谱图像分类的 Masked Vision Transformer
UNet-defmapping -> 使用 UNet 绘制森林砍伐地图的硕士论文，使用 Sentinel-2 2A 级图像，应用于亚马逊和大西洋雨林数据集
cvpr-multiearth-deforestation-segmentation -> 多模式 Unet 参与 CVPR Multiearth 2023 毁林挑战
监督小麦分类使用 pytorchs-torchgeo -> 使用 torchgeo 监督小麦分类
TransUNetplus2 -> TransU-Net++：重新思考用于森林砍伐绘图的注意力门控 TransU-Net。使用亚马逊和大西洋森林数据集
地球高分辨率冠层高度模型 -> 地球高分辨率冠层高度模型
Radiant Earth Spot the Crop Challenge -> 来自 Radiant Earth Spot the Crop Challenge 的获胜模型，使用 Sentinel-2 多光谱数据的时间序列对南非西开普省的农作物进行分类。另一种解决方案
Transfer-field-delineation -> 具有有限标签的卫星图像中农田边界分割的多区域迁移学习
割草检测 -> 从 Sentinel 图像中自动检测割草和放牧
PTAViT3D 和 PTAViT3DCA -> 处理蓬松云：使用 S2 和/或 S1 图像时间序列进行场边界检测
ai4boundaries -> 一个方便下载 AI4boundaries 数据集的 Python 包
pytorch-waterbody-segmentation -> 在 Kaggle 的水体卫星图像数据集上训练的 UNET 模型。该模型部署在 Hugging Face Spaces 上
使用 UNET 和 Resnet-34 作为主干的洪水检测和分析使用 fastai
使用深度学习从卫星图像自动检测洪水
UNSOAT 使用 fastai 训练 Unet 对卫星图像进行语义分割以检测水
高分辨率航空图像的半监督分类和分割 - 解决 FloodNet 问题
Houston_flooding -> 使用飓风哈维的数据将每个像素标记为被淹没或未淹没。数据集由洪水前后图像组成，并使用图像像素的无监督聚类（使用 DBScan）和人工聚类验证/调整来创建地面实况洪水掩模
ml4floods -> 一个由数据、模型和代码管道组成的生态系统，用于通过 ML 解决洪水问题
ETCI 洪水检测竞赛入门综合指南 -> 使用 Sentinel1 SAR 和 pytorch
使用 SageMaker 绘制 SAR 图像的洪水图 -> 应用于 Sentinel-1 数据集
STAC 溢出解决方案第一名：由 Microsoft AI for Earth 托管的雷达图像绘制洪水地图 -> 将 Unet 与 Catboostclassifier 结合起来，取最大值，而不是平均值
Hydra-Floods -> 一个开源 Python 应用程序，用于下载、处理和提供源自遥感数据的地表水地图
CoastSat -> 用于绘制海岸线的工具，其扩展名为 CoastSeg，使用分段模型
Satellite_Flood_Segmentation_of_Harvey -> 探索深度学习和传统的 kmeans
利用卫星图像检测洪水事件
ETCI-2021-洪水检测竞赛 -> 使用循环伪标记和噪声学生训练对 Sentinel-1 SAR 图像进行洪水分割的实验
FDSI -> 卫星图像中的洪水检测 - 2017 年多媒体卫星任务
deepwatermap -> 在多光谱图像上分割水的深度模型
rivamap -> 自动化河流分析和绘图引擎
深水 -> 跟踪水位变化
WatNet -> 基于 Sentinel-2 图像的用于地表水测绘的深度 ConvNet，使用地球表面水数据集
洪水范围映射的 AU 网络
floatobjects -> 使用 SENTINEL 学习空间特征，在全球范围内检测浮动物体 2. 使用 U-Net 和 pytorch
SpaceNet8 -> 用于检测被淹没的道路和建筑物的基线 Unet 解决方案
dlsim -> 通过模拟和深度学习突破洪水和泥石流测绘遥感的限制
Water-HRNet -> 在 Sentinel 2 上训练的 HRNet
使用切萨皮克保护区提供的 NAIP 图像识别新开发或被淹没的土地的语义分割模型，在 MS Azure 上进行训练
BandNet -> 使用机器学习进行水分割的多光谱数据分析和应用。使用 Sentinel-2 数据
mmflood -> MMFlood：卫星图像洪水描绘的多模态数据集 (Sentinel 1 SAR)
Urban_flooding -> 建立可转移的数据驱动模型来预测德国柏林的城市洪水洪水深度
Flood-Mapping-Using-Satellite-Images -> 硕士论文比较随机森林和 Unet
MECNet -> 丰富的 CNN 功能，可根据高分辨率航空和卫星图像进行水体分割
SWRNET -> 星载小地表水域识别的深度学习方法
elwha-segmentation -> 微调 Meta 的 Segment Anything (SAM) 以实现鸟瞰河流像素分割，附 Medium 文章
RiverSnap -> 论文代码：近距离遥感影像中河水分割的流行深度学习模型和分段任意模型 (SAM) 的比较性能分析
SatelliteVu-AWS-Disaster-Response-Hackathon -> 使用经典 ML 和深度学习预测火势蔓延
使用在 Databricks 和 Keras 上训练的 U-Net 进行野火检测，语义分割
使用 Sentinel-2 和 VIIRS 进行高分辨率烧伤区域监测的实用方法
AI 地理空间野火风险预测 -> 使用地理空间栅格数据的预测模型，利用 Unet 评估美国本土的野火危险潜力
IndustrialSmokePlumeDetection -> 使用 Sentinel-2 和修改后的 ResNet-50
烧毁区域检测 -> 使用 Sentinel-2
救援 -> 关注火灾：用于野火严重程度预测的多通道深度学习模型
Smoke_segmentation -> 根据 GOES 图像分割烟羽并预测密度
野火检测 -> 使用 Vision Transformers 增强卫星图像中的野火检测
Burned_Area_Detection -> 使用 Sentinel-2 数据检测烧毁区域
burn-area-baseline -> 卫星烧毁区域数据集附带的基线unet模型（哨兵1和2）
burn-area-seg -> 使用多任务学习从 Sentinel-2 分割烧伤区域
chabud2023 -> 烧毁区域划分 (ChaBuD) ECML/PKDD 2023 挑战的变更检测
使用 Siamese-UNet 进行野火烧毁后检测 -> 在 Chadbud 数据集上
vit-burned-detection -> 烧伤区域描绘中的视觉变换器
landslide-sar-unet -> 使用合成孔径雷达 (SAR) 数据立方体进行深度学习快速山体滑坡检测
landslide-mapping-with-cnn -> 使用广义卷积神经网络绘制滑坡地图的新策略
Relict_landslides_CNN_kmeans -> 结合 k-means 聚类算法和深度学习语义分割模型进行雨林地区遗迹滑坡检测
Landslide-mapping-on-SAR-data-by-Attention-U-Net -> 通过 Attention U-net 在 SAR 数据上快速绘制滑坡地图
SAR-landslide-detection-pretraining -> 基于 SAR 的山体滑坡分类预训练可实现更好的分割
通过变化检测从 Sentinel-2 图像中绘制滑坡地图
HED-UNet -> 同步语义分割和边缘检测的模型，提供的示例是使用 Inria 航空图像标签数据集的冰川前缘和建筑物足迹
glacier_mapping -> 绘制兴都库什喜马拉雅冰川的地图，Landsat 7 图像，冰川的 Shapefile 标签，带有 dropout 的 Unet
glacier-detect-ML -> 一个简单的逻辑回归模型，用于识别 Landsat 卫星图像中的冰川
冰川语义分割
南极裂缝检测 -> 使用 UNet 和南极洲 MODIS Mosaic 来检测地表裂缝
检测露天垃圾填埋场 -> 使用 Sentinel-2 检测标准化燃烧率 (NBR) 的大幅变化
sea_ice_remote_sensing -> 海冰浓度分类
高光谱影像甲烷检测 -> 低空高光谱影像甲烷检测的深度遥感方法
甲烷排放项目 -> 分类 CNN 以集成方法与表格数据的传统方法相结合
CH4NET->使用Sentinel -2检测甲烷羽流的快速，简单模型
eddynet->用于像素涡流分类的深神经网络
血吸虫植被 -> 卫星图像的深度学习分割识别出与非洲塞内加尔血吸虫病蜗牛中间宿主相关的水生植被
Earthformer->探索地球系统预测的时空变压器
Weather4cast-2022-> UNET-3D Weather4cast Rain电影预测竞赛的UNET-3D基线模型
WeatherFusionNet->预测卫星数据的降水。 Weather4cast-2022第1次解决方案
海洋杂交器 - > Sentinel-2的沿海地区大规模检测海洋碎片
kaggle-nidentify-contrails-4th->第四名解决方案，Google Research-识别关节尾部以减少全球变暖
MinEsegsat->一种自动化系统，用于评估Sentinel -2图像中的采矿障碍区域
Starcop：使用高光谱机器学习模型对甲烷羽流的语义分割
ASO->使用可解释的机器学习和卫星图像在景观中识别受保护和人为模式
由于其他物体和复杂的交通环境造成的遮挡，提取道路具有挑战性
Chesapeakersc->分割以从背景中提取道路，但还通过它们在“树冠上的道路”类中的表现来评估
使用语义细分和符号符号检测使用马萨诸塞州道路数据集，U-NET和KERAS进行数据增强。有代码
ml_epfl_project_2-> pytorch中的u -net在卫星图像上执行道路的语义分割
使用U-NET KERAS，OSM数据，学生摘要文章对道路的语义细分，没有代码
从SpaceNet Road检测和路由挑战中获胜的解决方案
ROADVECNET->带有数据集的Keras中的Road-Network-Network-sevementation-segementation-vectorization
检测道路和道路类型jupyter笔记本
很棒的深地图 - >用于映射的深度学习 /计算机视觉算法的策划资源清单。映射问题包括道路网络推理，建筑足迹提取等。
RoadTracer：从航空图像中自动提取道路网络 - >使用以CNN的决策功能为指导的迭代搜索过程直接从CNN的输出中得出道路网络图
ROAD_DETECTION_MTL->使用多任务学习技术通过合并先验知识约束，使用SpaceNet Road数据集来提高道路检测任务的性能，以提高道路检测任务的性能
Road_Connectivity->通过取向和细分的联合学习改善了道路连接（CVPR2019）
使用经典图像处理 - > Blur＆Canny Edge检测
spin_roadmapper->通过空间和交互空间图形理由从空中图像中提取道路，以自动驾驶
ROAD_EXTRACTION_REMOTE_SENSING-> PYTORCH实现，CVPR2018 DeepGlobe Road提取挑战提交。另请参见深globe-road-tratration-challenge
Microsoft的RoadDetections数据集
Coanet->从卫星图像中提取道路的连接注意力网络。 COA模块包含图形信息，以确保道路的连通性更好地保存
卫星图像路段细分 - >使用Kaggle Massachusetts Roads Dataset在媒介上进行介绍
标签像素 - >用于道路和其他功能的语义分割
卫星图像 - 道路萃取 - >深度剩余的U-NET提取道路
Road_building_extraction-> pytorch实现了公路和建筑物提取的U -NET体系结构
RCFSNET->通过道路上下文和全阶段功能从卫星图像中提取道路
sgcn->从高分辨率遥感图像中，在复杂环境中进行道路提取的可分开的图形卷积网络
ASPN->使用对抗空间金字塔网络的遥感图像的道路分割
基于各种语义分割网络的高分辨率遥感图像的fcns-for-for-for-tratration-keras->公路提取高分辨率遥感图像
Cresi->从卫星图像中提取道路网络，并具有速度和旅行时间估算
D -linknet->链接网，带有预验证的编码器和扩张的卷积，用于高分辨率卫星图像道路提取
SAT2Graph->通过图形编码的道路图提取
图像分割） - >使用马萨诸塞州路数据集和fast.ai
RoadTracer -M->使用基于CNN的分段和跟踪从卫星图像中提取道路网络
scroadextractor->基于涂鸦的弱监督的深度学习，从遥感图像中提取道路表面
ROADDA->舞台无监督的域适应性，并具有对抗性自我训练，用于遥感图像的道路分割
DeepSegmentor-> DeepCrack和Roadnet Projects的Pytorch实施
级联的残留注意力增强了遥感图像的道路提取
NL-linknet->通过非本地操作更轻但更准确地提取道路
IRSR -NET->轻巧的遥感道路检测网络
HiRonex->一种用于自动，完全无监督的历史道路网络的Python工具
ROAD_DETECTION_MODEL->带人工智能和Sentinel -2的巴西亚马逊的映射道路
DTNET->通过基于跨层图融合模块的双任务网络进行道路检测
使用深度学习技术从历史地图中自动从历史地图中提取自动 - 历史上的摘要 - >从历史地图中提取自动道路
istanbul_dataset->在伊斯坦布尔，伊斯里亚和马萨诸塞州数据集上进行分割
使用CNN（U-NET和FCN8）和Logistic回归的卫星图像上的道路细分 - >卫星图像的道路细分
D -Linknet-> Deepglobe Road提取挑战中的第一名解决方案
公园检测 - >公园检测：通过贴片关键点检测有效的多任务卫星图像提取道路
tile2net->映射步行：一种可扩展的计算机视觉方法，用于从空中图像中生成人行道网络数据集
Aeriallanenet->从空中图像中建造车道级地图，引入空中车道（AEL）数据集：第一个用于车道检测的大规模航空图像数据集
SAM_ROAD->段的任何模型（SAM），用于从空中图像中提取大规模的，矢量化的道路网络。
lrdnet->基于多尺度卷积注意网络和耦合解码器头的轻巧的道路检测算法
通过连接和分割的联合学习，良好的道路网络提取 - >使用SpaceNet 3数据集
卫星图像中的道路和建筑语义细分在马萨诸塞州道路上使用U-NET数据集和Keras
使用航空摄影 - >数据集创建未经授权的结构
srbuildseg->制作低分辨率卫星图像重生：一种深度学习的方法，用于超分辨率建筑提取
使用Fastai在具有挑战性的SpaceNet7数据集上使用u-net＆fastai构建足迹检测
pix2pix-for-emantic-emantic-emantic-of-tellite-images->使用pix2pix gan网络从卫星图像中分割建筑物足迹，使用tensorflow
SpaceNetunet->基线模型是U -NET，使用KERAS应用于空间Vegas数据
自动构建检测 - >输入：非常高的分辨率（<= 0.5 m/Pixel）RGB卫星图像。输出：矢量格式（Geojson）的建筑物，用于数字地图产品。建在Robosat和robosat.pink的顶部。
project_sunroof_india->分析了Google卫星图像，以生成有关单个房屋屋顶太阳能潜力的报告
联合网络 - 通用的神经网络 - 公路和建筑算法
用卫星图像绘制非洲的建筑物：Google AI博客文章。查看开放式构建数据集
nz_convnet->新西兰图像的基于U -NET的Convnet，以对构建轮廓进行分类
polycnn->多边形的端到端学习用于遥感图像分类
spacenet_building_detection解决方案Motokimura使用UNET
vec2instance->应用于SpaceNet Challenge AOI 2（VEGAS）建筑足迹数据集，Tensorflow v1.12
地震amagedeTection->使用keras的卫星图像和损坏分类的建筑物分割
fuweifu-vtoo->使用pytorch和马萨诸塞州的建筑物和道路数据集的语义分割回购。
使用Amazon SageMaker - >与Repo一起从AWS开放数据中提取建筑物和道路
tf -segnet->气网是基于SEGNET的分割网络，但进行了一些修改
rgb-footprint-Ixtract->使用RGB卫星图像，DeepLavv3+带有扩张的Resnet C42骨干的RGB卫星图像，DeepLavv3+模块的语义分割网络，用于城市规模建筑物占地提取。
spaceNetexploration->一个示例项目，演示了如何使用语义分割模型从卫星图像中提取建筑足迹。从空间挑战中的数据
屋顶上的分段 - > VGG-16，实例分割，使用AIRS数据集
太阳能农场映射 - >印度太阳能位置的人工智能数据集
家禽-Cafos->此回购包含用于检测高分辨率空中图像中的家禽谷仓的代码，以及美国预测的谷仓附带的数据集
ssai -cnn->这是在他的马萨诸塞州公路和建筑数据集中的Volodymyr MNIH论文方法的实现
远程感应 - 算法到3D模型，使用paddle and-Grasshopper
分割 - 增强率 - >在大达地区使用修改后的u-net（修改后的重新点）并应用后处理
面具rcnn用于空间的空间检测
grsl_bfe_ma->基于深度学习的建筑足迹提取，使用新颖的损失功能缺失注释
FER -CNN->使用更快的边缘区域卷积神经网络在卫星图像中的检测，分类和边界正则化
unet-image-gage-rentementation-satellite-picture-> unet预测乌鸦AI映射数据集上的屋顶上衣，使用keras
矢量映射生成 - from-aerial-imagery-使用深度学习 - 地理空间 - >>应用于地理参考图像，这些图像非常大> 10k x 10k x 10k像素
建筑物 - 脚印 - >可安装的可安装库，用于训练卫星和空中图像上的建筑足迹细分，应用于马萨诸塞州建筑物数据集和Inria空中图像标签数据集
semsegbuildings->使用fast.ai框架进行语义细分的项目，以构建构建分段数据集
fcnn -示例 - >过拟合给给定的单个图像检测房屋
SAT2LOD2->一个开源的，基于Python的GUI-GUI-Software，将卫星图像作为输入并返回LOD2构建模型作为输出
SATFOOTPRINT-> SPACENET 7数据集上的构建细分
建筑物检测 - >栅格视觉实验训练模型以检测拉丁美洲三个城市的卫星图像的建筑物
使用深度学习的多构建跟踪器 - >用于卫星图像的多目标建筑跟踪器
边界增强语义细分用于建筑物提取
KERAS二进制语义细分代码
空间建造检测
LGPNET-BCD-> VHR遥感图像的建筑物变更检测通过本地全球金字塔网络和交叉任务转移学习策略
mtl_homoscedastic_srb->用于构建足迹分段的多任务深度学习框架
UNET_CNN-> UNET模型，使用遥感数据，使用Keras
FDANET->在非常高分辨率的光学感应图像中构建提取的全级领域适应
cbrnet->一个粗到精细的边界精炼网络，用于从遥感图像中构建提取
aslnet->在VHR遥感图像中用于建筑提取的对抗形状学习
BRRNET->一个完全卷积的神经网络，用于自动从高分辨率遥感图像中提取自动建筑物
多尺度过滤构建索引 - >一个多尺度滤波器过滤建筑索引，用于以非常高的分辨率卫星图像建筑物提取索引
用于遥感的模型 - >用于建筑物检测的UNET等长列表
boundard_loss_for_remote_sensing->遥感图像的边界损失语义分段
开放城市AI挑战 - >对灾难恢复能力进行分割建筑物。在Github上赢得解决方案
MAPNET->多次参加的路径神经网络，用于从遥感图像中构建足迹
双hrnet->本地化建筑物并分类其损坏水平
ESFNET->有效的网络，用于从高分辨率空中图像中构建提取
屋顶检测 - >>使用经典计算机视觉技术来检测低分辨率卫星图像的屋顶，并计算耕种和太阳能电池板分期
keras_segentation_models->使用基于开放矢量的空间数据创建用于栅格数据的分段的语义数据集
CVCMFFNET->复杂值卷积和多量融合网络，用于构建Insar图像的语义分割
Steb-Unet->基于Swin变压器的编码助推器集成在U形网络中，用于构建提取
DFC2020_Baseline-> IEEE GRSS数据融合竞赛2020的基线解决方案。
将基于不同数据集的多个分割模型融合为单个边除外的模型 - >屋顶，汽车和道路分割
地面真相 - 裂片 - >使用pix2pix分段建筑物的足迹。所使用的数据集是AIRS
UNICEF -GIGA_SUDAN->使用UNET分割模型从苏丹南部的卫星图像中检测学校
building_footprint_extraction->项目从Google检索卫星图像，并使用U -NET进行构建足迹提取。
Project Regularization->使用对抗和正则损失的卫星图像中建筑边界的正则化
polyworldpretainednetwork->卫星图像中图神经网络的多边形建筑提取
dl_image_segmentation->不确定性意识 - 可解释的深度学习，用于贫民窟映射和监视。使用形状
UBC-DATASET->一个用于建筑物检测和分类的数据集，从非常高分辨率的卫星图像，重点关注对象级别的单个建筑物的解释
未发现的 - >一个类似于遥感的Urban场景图像的UneT式变压器，用于有效的语义分割
BES-NET->边界增强语义上下文网络，用于高分辨率图像语义分割。应用于Vaihingen和Potsdam数据集
CVNET->用于构建提取的轮廓振动网络
CFENET->上下文功能增强网络，用于从高分辨率遥感图像中构建提取
Hisup->卫星图像中建筑物的准确多边形映射
构建淘汰 - >从稀疏令牌变压器的遥感图像中提取构建
Crossgeonet->建筑占地面积的框架的框架，地理区域
AFM_Building->通过具有吸引力字段表示的卷积神经网络构建足迹生成
坡道（可复制的AI用于微晶型） - >低收入国家和中等收入国家的建筑物检测
建筑物 - 实体细分 - >具有自适应中心点检测器的多模式特征融合网络用于建筑实例提取
CGSANET->轮廓引导和局部结构感知的编码器 - 数字网络，用于从非常高分辨率的遥感图像中精确构建提取
建筑 - 脚印 - >从Bitemoral遥感图像中学习颜色分布，以更新现有的建筑足迹
坡道 - >模型和建筑物数据集，以支持各种各样的人道主义用例
ptess_semantic_image_segentation_on_satellite_imagery_using_unets->本主论文的目的是使用U -net Architecture从SpaceNet Challenge 1数据集中对卫星图像上的建筑物进行语义分割
HD-NET->高分辨率解耦网络，用于通过深度监督的身体和边界分解来构建足迹提取足迹
屋顶 - >使用空中图像和激光扫描数据融合的荷兰建筑库存自动屋顶材料分类的新型深度学习解决方案
IBS-AQSNET->增强的自动化质量评估网络，用于高分辨率遥感图像中的交互式建筑细分
deepmao->深度多尺度意识到的胜诉网络，用于在卫星图像中构建分割
深度学习 - 磨牙 - 面板 - 识别 - >使用Yolov5和UNET分段使用对象检测
深色 - >在美国有效构建太阳能部署数据库的机器学习框架。 Kaggle上的数据集，实际上使用CNN进行分类，并通过将阈值应用于激活图来获得分类。原始代码是TF1，但可以使用TF2/KER和PYTORCH实现。还要结帐可视化和深入分析..可以解释弗吉尼亚和深色跟踪器中太阳能的因素：迈向无监督的评估，并使用开源数据，这些数据是基于深度学习的分布式PV映射的准确性
hyperion_solar_net->从Google Maps的RGB图像上训练有素的分类和细分模型
3D-PV-LOCATOR-> 3D中屋顶安装的光伏系统的大规模检测
pv_pipeline->德国的深色
太阳能面板检测 - >使用SEGNET，F
