techniques
General tidy up
深度學習徹底改變了衛星和航空影像的分析和解釋，解決了巨大的影像尺寸和廣泛的物件類別等獨特的挑戰。該存儲庫提供了專為衛星和航空圖像處理量身定制的深度學習技術的詳細概述。它涵蓋了一系列適用於分類、分割和物件偵測等關鍵任務的架構、模型和演算法。
如何使用此儲存庫：使用Command + F (Mac) 或CTRL + F (Windows) 在此頁面搜尋“SAM”
UC Merced 資料集是眾所周知的分類資料集。
分類是遙感資料分析的基本任務，其目標是為每個影像分配語義標籤，例如「城市」、「森林」、「農田」等。然而，在某些情況下，單一影像可能包含多種不同的土地覆蓋類型，例如有河流穿過的森林，或既有住宅區又有商業區的城市。在這些情況下，影像級分類變得更加複雜，並涉及為單一影像分配多個標籤。這可以透過結合特徵提取和機器學習演算法來準確識別不同的土地覆蓋類型來實現。需要注意的是，影像級分類不應與像素級分類（也稱為語義分割）混淆。影像級分類為整個影像分配單一標籤，而語義分割為影像中的每個單獨像素分配一個標籤，從而對影像中的土地覆蓋類型進行高度詳細且準確的表示。閱讀神經網路衛星影像分類簡介
使用簡單的 sklearn 聚類演算法或深度學習 CNN 對 Sentinel 2 資料進行土地分類
使用 keras 或 FastAI 對亞馬遜雨林衛星照片進行多標籤分類
EuroSat-Satellite-CNN-and-ResNet -> 使用 PyTorch 從頭開始建立卷積神經網路和殘差網絡，對自訂影像資料集進行分類
使用帶有 repo 的 ResNet-50 分類器微調從衛星圖像中偵測非正式定居點
Land-Cover-Classification-using-Sentinel-2-Dataset -> 寫得很好的 Medium 文章隨附此儲存庫，但使用 EuroSAT 資料集
使用 Keras 和在加州薩利納斯谷葡萄園田地捕獲的多光譜資料集使用卷積神經網路對衛星影像進行土地覆蓋分類
從衛星影像中偵測森林砍伐 -> 使用 FastAI 和 ResNet50，以及 repo fsdl_deforestation_detection
在 Python 中使用 Tensorflow 進行衛星資料分類的神經網路 -> 用於二進位建置/非建置類別預測的 Landsat 5 多光譜資料分類的逐步指南，帶有儲存庫
根據 VHR（Pleiades：0.5m）和 MR（Sentinel：10m）影像上預先訓練的 CNN 網路繪製貧民窟地圖
使用衛星影像和卷積神經網路比較城市環境 -> 包括對為 Urban Atlas 資料集上的每個影像提取的影像嵌入特徵進行有趣的研究
RSI-CB -> 透過眾包資料的大規模遙感影像分類基準。另請參見遙感影像分類
NAIP_PoolDetection -> 建模為物件辨識問題，CNN 用於將圖像識別為游泳池或其他物體 - 特別是街道、屋頂或草坪
使用 ResNet 深度學習架構進行土地利用和土地覆蓋分類 -> 使用 fastai 和 EuroSAT 資料集
Vision Transformers 用例：無需 CNN 的衛星影像分類
WaterNet -> 辨識衛星影像中水的 CNN
道路網絡分類 -> 使用 ResNet-34 的道路網絡分類模型，道路類別有機、網格、放射狀和無圖案
擴展人工智慧以繪製地球上每所學校的地圖
Landsat 分類 CNN 教學（附儲存庫）
衛星行人穿越道分類
透過多標籤分類 + VGG-19、Inceptionv3、AlexNet 和遷移學習了解亞馬遜雨林
用於土地覆蓋分類的 3D-CNN 模型的實作 -> 使用 Sundarbans 資料集和 repo
SSTN -> 用於高光譜影像分類的光譜空間變換網路：FAS 框架
SatellitePollutionCNN -> 一種使用深度學習和 GoogleMaps 衛星圖像以最先進的精度預測空氣污染水平的新穎演算法
PropertyClassification -> 將給定的房地產、衛星和街景影像的財產類型進行分類
Remote-Sense-quickstart -> 將多個資料集進行分類，包括注意力視覺化
使用多種機器學習演算法進行衛星影像分類
satsense -> 使用經典特徵（包括 HoG 和 NDVI）進行土地利用/覆蓋分類
PyTorch_UCMerced_LandUse
EuroSAT 影像分類
landcover_classification -> 在 EuroSAT 上使用 fast.ai
IGARSS2020_BWMS -> 用於遙感影像場景分類的帶狀多尺度 CNN 架構，採用新穎的 CNN 架構進行高維度 RS 影像的特徵嵌入
image.classification.on.EuroSAT -> 純 pytorch 中的解決方案
hurricane_damage -> 基於航空影像的颶風後結構損壞評估
openai-drivendata-challenge -> 使用深度學習對屋頂的建築材料進行分類（來自南美洲的空拍圖像）
is-it-abandoned -> 我們能否根據航空光達影像判斷房屋是否被遺棄？
BoulderAreaDetector -> CNN 來分類衛星影像顯示的某個區域是否是一個好的攀岩點
ISPRS_S2FL -> 具有共享和特定特徵學習模型的土地覆蓋分類多模態遙感基準資料集
Brazil-Coffee-Detection -> 使用 Keras 和公共資料集
tf-crash-severity -> 預測衛星影像中包含的給定道路特徵的碰撞嚴重程度
ensemble_LCLU -> 用於遙感土地覆蓋和土地利用分類的深度神經網路集成
cerraNet -> 根據上下文對巴西塞拉多的使用類型和覆蓋範圍進行分類
使用衛星影像進行城市分析 -> 使用分割和分類的組合將城市區域分類為規劃或未規劃
ChipClassification -> 對 PlanetScope 和 Sentinel-2 影像中的雲、陰影和土地覆蓋場景進行多模態分類的深度學習
DeeplearningClassficationLandsat-tImages -> 使用大規模中解析度 Landsat 衛星影像進行水/冰/土地分類
wildfire-detection-from-satellite-images-ml -> 偵測影像是否包含野火，例如 Flask Web 應用程式
深度學習的採礦發現 -> 使用深度學習在衛星影像中偵測採礦和尾礦壩
電農平台 -> 作物類型分類
Sentinel2-deep-learning -> Sentinel-2 影像土地分類的新穎訓練方法
RSSC-transfer -> 預訓練在高解析度遙感場景分類中的作用
對地理參考照片和衛星影像進行分類以支援地形分類 -> 偵測洪水
多加註意 -> 基於增強型注意模組的遙感影像場景分類
基於深度卷積神經網路的改進交叉熵損失和遷移學習策略的遙感影像分類
DenseNet40-for-HRRSISC -> 用於遙感影像場景分類的 DenseNet40，使用 UC Merced 資料集
SKAL -> 近距離觀察場景：遙感影像場景分類的多尺度表示學習
potsdam-tensorflow-practice -> 使用tensorflow對Potsdam資料集進行圖片分類
SAFF -> 基於自註意力的深度特徵融合遙感場景分類
GLNET -> 基於卷積神經網路的晴天和陰天環境下遙感場景分類
遙感影像分類->使用pytorch進行遷移學習將遙感資料分為三類：飛機、船舶、無
Remote_sensing_pretrained_models -> 作為在 ImageNet 上預訓練的模型進行微調的替代方案，這裡一些 CNN 在 RSD46-WHU 和 AID 資料集上進行了預訓練
CNN_AircraftDetection -> 使用 keras 在衛星影像中進行飛機偵測的 CNN
OBIC-GCN -> 基於物件的圖卷積網路遙感影像分類框架
aitlas-arena -> 一個開源基準框架，用於評估地球觀測 (EO) 中影像分類的最先進深度學習方法
乾旱觀察 -> 基於衛星的肯亞北部牲畜飼料狀況預測
JSTARS_2020_DPN-HRA -> 用於高光譜影像分類的具有混合殘差注意力的深度原型網絡
SIGNA -> 用於多標籤遙感影像分類的語意交錯全域通道注意
使用 rmldnn 和 Sentinel 2 資料進行衛星影像分類
PBDL -> 基於區塊的遙感場景分類判別學習
EmergencyNet -> 透過無人機辨識火災和其他緊急情況
衛星砍伐森林 -> 使用衛星圖像識別森林砍伐的領先指標，應用於 Kaggle 挑戰賽“從太空了解亞馬遜”
RSMLC -> 深度網路架構作為遙感影像多標籤分類的特徵擷取器
FireRisk -> 使用監督和自監督學習進行火災風險評估的遙感資料集和基準
洪水_susceptibility_mapping -> 在德國柏林使用資料驅動模型繪製城市洪水敏感度圖
tick-tick-bloom -> Tick Tick Bloom：有害藻華檢測挑戰賽的獲獎者。任務是預測藻華的嚴重程度，獲勝者使用決策樹
使用電腦視覺從衛星影像估計燃煤電廠的運作 -> 使用 Sentinel 2 資料透過資料集和儲存庫來識別燃煤電廠是否開啟或關閉
建築物檢測和屋頂類型識別 -> 基於 CNN 的使用單幅空拍圖像自動建築物檢測和屋頂類型識別的方法
土地利用分類多光譜通道的效能比較 -> 在 RGB 和 EuroSAT 資料集的多光譜版本上實現了 ResNet-50、ResNet-101、ResNet-152、Vision Transformer。
SNN4Space -> 研究在土地覆蓋和土地利用分類任務中部署尖峰神經網路 (SNN) 的可行性的項目
船舶分類 -> 根據 AIS 資料對船舶進行分類並識別捕撈行為
RSMamba -> 使用狀態空間模型進行遙感影像分類
BirdSAT -> 用於鳥類分類和繪圖的跨視圖對比屏蔽自動編碼器
EGNNA_WND -> 使用圖神經網路估計西尼羅河病的存在
cyfi -> 根據 Sentinel-2 衛星影像估算藍藻密度
（左）衛星影像和（右）影像中的語意類別。
影像分割是影像分析和電腦視覺中的關鍵步驟，其目標是將影像劃分為語義上有意義的片段或區域。影像分割過程為影像中的每個像素指派一個類別標籤，有效地將影像從 2D 像素網格轉換為具有指定類別標籤的 2D 像素網格。影像分割的常見應用是道路或建築物分割，其目標是識別道路和建築物並將其與影像中的其他特徵分開。為了完成此任務，通常訓練單類模型來區分道路和背景，或建築物和背景。這些模型旨在識別道路或建築物特徵的特定特徵，例如顏色、紋理和形狀，並使用此資訊為影像中的像素分配類別標籤。影像分割的另一個常見應用是土地利用或作物類型分類，其目標是識別和繪製影像中不同的土地覆蓋類型。在這種情況下，多類模型通常用於識別和區分影像中的多個類，例如森林、城市地區和農田。這些模型能夠識別不同土地覆蓋類型之間的複雜關係，從而可以更全面地理解影像內容。閱讀使用神經網路進行衛星影像分割的簡要介紹。請注意，許多提到「高光譜土地分類」的文章實際上通常是在描述語義分割。圖片來源
用於不平衡航空影像語意分割的 U-Net -> 使用杜拜資料集
使用 TensorFlow U-Net 模型對杜拜資料集進行語意分割
nga-deep-learning -> 使用 NASA 研究人員發布的修改後的 U-Net 和 Keras 對高品質 GeoTIF 資料執行語義分割
使用深度學習自動偵測垃圾掩埋場
SpectralNET -> 用於高光譜影像分類的 2D 小波 CNN，使用 Salinas 場景資料集和 Keras
laika -> 此儲存庫的目標是研究衛星影像資料的潛在來源並實現衛星影像分割的各種演算法
PEARL -> 人機互動的 AI 工具，可大幅減少產生準確的土地利用/土地覆蓋 (LULC) 地圖所需的時間，部落格文章，使用 Microsoft 行星電腦和在瀏覽器中本地運行的 ML 模型。後端和前端程式碼
Land Cover Classification with U-Net -> Satellite Image Multi-Class Semantic Segmentation Task with PyTorch U-Net 的實現，使用 DeepGlobe 土地覆蓋分割資料集，帶有程式碼
使用 DSTL 資料集、tensorflow 1 和 python 2.7 使用 U-Net 對衛星影像進行多類語意分割。隨附文章
使用 Keras 進行多類土地覆蓋分類的程式碼庫，附有 U-Net 並附帶碩士學位論文
dubai-satellite-imagery-segmentation -> 由於資料集較小，使用了影像增強
CDL-分割 -> 基於深度學習的土地覆蓋和作物類型分類：比較研究。比較 UNet、SegNet 和 DeepLabv3+
LoveDA -> 用於域自適應語意分割的遙感土地覆蓋資料集
使用 CNN 進行衛星圖像語義分割 -> 7 個不同的分割類別，DeepGlobe 土地覆蓋分類挑戰資料集，帶有儲存庫
使用 U-Net 深度學習模型進行空中語義分割中等文章，並附有儲存庫
UNet-Satellite-Image-Segmentation -> 輕型 UNet 語意分割框架的 Tensorflow 實現
DeepGlobe 土地覆蓋分類挑戰解決方案
使用 PyTorch-Satellite-Imagery 進行語義分割 -> 預測用於評估颶風哈維後損失的 RGB 影像的 25 個類別
使用 Sentinel-2 影像進行語義分割 -> 使用 LandCoverNet 資料集和 fast.ai
CNN_Enhanced_GCN -> 用於高光譜影像分類的像素級和超像素級特徵融合的 CNN 增強圖卷積網絡
LULCMapping-WV3images-CORINE-DLMethods -> 使用基於深度學習的分割方法和 VHR Worldview-3 影像繪製土地利用和土地覆蓋圖
MCANet -> 用於土地利用分類的光學和 SAR 影像聯合語意分割架構。使用 WHU-OPT-SAR 資料集
MUnet-LUC
土地覆蓋 -> 土地覆蓋製圖深度學習應用中的模型泛化
genericizedrsc -> 可泛化土地利用場景分類的跨資料集學習
Large-scale-Automatic-Identification-of-Urban-Vacant-Land -> 基於高解析度遙感影像語義分割的大規模城市空置土地自動識別
SSLTransformerRS -> 用於土地覆蓋分割和分類的自監督視覺轉換器
aerial-tile-segmentation -> 使用 Tensorflow 2.0 和 ISPRS 基準資料集將大型衛星影像語義分割為 6 類
LULCMapping-WV3images-CORINE-DLMethods -> 使用基於深度學習的分割方法和 VHR Worldview-3 影像繪製土地利用和土地覆蓋圖
DCSA-Net -> VHR 遙感影像中土地覆蓋分類的動態卷積自註意力網絡
CHeGCN-CNN_enhanced_Heterogeneous_Graph -> CNN 增強型異構圖卷積網絡：透過公園分割案例研究從土地覆蓋推斷土地利用
TCSVT_2022_DGSSC -> DGSSC：用於不平衡高光譜影像的深度產生光譜空間分類器
DeepForest-Wetland-Paper -> 結合 Sentinel-1 和 Sentinel-2 資料、GIScience 和遙感進行濕地製圖的深層森林分類器
Wetland_UNet -> UNet 模型，可使用遙感資料輸入（包含來自 Sentinel-2 LiDAR 和地形的波段）來描繪濕地。切薩皮克保護區保育創新中心與野生動物保護者協會
DPA -> DPA 是一種無監督域適應 (UDA) 方法，應用於不同的衛星影像以進行大尺度土地覆蓋測繪。
動態世界 -> 動態世界，近即時全球 10 m 土地利用土地覆蓋測繪
spada -> 使用 Sentinel-2 影像的稀疏註釋進行土地覆蓋分割
M3SPADA -> 具有空間偽標籤和對抗性學習的土地覆蓋測繪多感測器時間無監督域適應
GLNet -> 用於超高解析度影像的記憶體高效分割的協作全局局部網絡
LoveNAS -> LoveNAS：透過分層搜尋自適應網路實現多場景土地覆蓋繪圖
FLAIR-2挑戰 -> 法國國家地理與森林資訊研究所（IGN）提出的語意分割與領域適應挑戰
flair-2 第八名解決方案
請注意，森林砍伐檢測可以被視為分割任務或變化檢測任務
DetecTree -> Python 中的航空影像樹偵測，航空影像中樹/非樹像素的 LightGBM 分類器
Сrор 場邊界檢測：方法和主要挑戰 -> 中等文章，涵蓋歷史和現代方法
kenya-crop-mask -> 肯亞的年度和當季作物地圖- LSTM 分類器將像素分類為包含作物或不包含作物，以及在給定部分輸入的情況下提供12 個月時間序列的多光譜預報器。從GEE和pytorch Lightning下載的資料集用於訓練
那裡長著什麼？使用 eo-learn 從多光譜遙感資料 (Sentinel 2) 中識別作物，進行資料預處理、雲檢測、NDVI 計算、影像增強和 fastai
使用 3D 卷積神經網路根據機載 LiDAR 和高光譜資料進行樹種分類
作物類型分類 -> 將 Sentinel 1 和 2 資料與 U-Net + LSTM 結合使用，更多特徵（即波段）和更高解析度產生更好的結果（文章，無程式碼）
使用 Mask R-CNN 尋找運動場並覆蓋在開放街道地圖上
用於為多哥產生裁切蒙版的 LSTM
DeepSatModels -> 用於作物類型語義分割的上下文自對比預訓練
farm-pin-crop-detection-challenge -> 使用 eo-learn 和 fastai 從多光譜遙感資料中識別農作物
從 Sentinel-2 衛星影像檢測農業農田 -> 我們開發了 UNet-Agri，這是一種基準機器學習模型，可使用 10m 空間分辨率的開放獲取 Sentinel-2 影像對農田進行分類
DeepTreeAttention -> Hang 等人的實現2020年「使用注意力輔助CNN的高光譜影像分類」用於樹種預測
作物分類 -> 使用多時態衛星影像進行作物分類
ParcelDelineation -> 在 keras 中使用法國多邊形資料集和unet
Crop-mask -> 用於產生高解析度農田圖的端到端工作流程，使用 GEE 和 LSTM 模型
DeepCropMapping -> 一種多時態深度學習方法，使用 LSTM 改進動態玉米和大豆繪圖的空間泛化性
使用 NDVI 和 Rasterio 對冠層覆蓋物和土壤進行分段
使用 KMeans 聚類按土地覆蓋/土地利用分割衛星影像
ResUnet-a -> 遙感資料語意分割的深度學習框架
DSD_paper_2020 -> 基於多時相 Sentinel-1 資料機器學習的作物類型分類
MR-DNN -> 從 Landsat 8 衛星影像中擷取稻田
deep_learning_forest_monitoring -> 使用 Sentinel-2 資料和深度學習對非洲大陸進行森林測繪和監測
global-cropland-mapping -> 全球多時相農地製圖
U-Net 以 SAR 影像對大豆農田進行語意分割
UNet-RemoteSensing -> 使用 Landsat 和 keras 的 7 個頻段
Landuse_DL -> 描繪出因富含冰的永凍土融化而形成的地形
樹冠 -> 卷積神經網路分類器從高光譜影像中識別混合針葉林中的樹種
隨機森林分類 -> 使用固定翼無人機取得泥炭地植被群落的多感測器數據
Forest_change_detection -> 具有時間相關模型的森林變化分割，包括 Siamese、UNet-LSTM、UNet-diff、UNet3D 模型
cultionet -> 耕地分割，基於 PyTorch Geometric 和 PyTorch Lightning 構建
Sentinel-tree-cover -> 一種利用中解析度衛星影像辨識封閉樹冠森林外樹木的全球方法
作物類型偵測-ICLR-2020 -> ICLR 2020 CV4A 研討會作物類型偵測競賽獲獎解決方案
使用衛星影像進行作物辨識 -> 中等文章，作物辨識簡介
S4A-Models -> Sen4AgriNet 資料集上的各種實驗
注意力機制-unet -> 基於注意力的 U-Net，用於偵測衛星感測器影像中的森林砍伐
Cocoa_plantations_detection -> 使用 KNN、SVM、隨機森林和 MLP 使用 Sentinel-2 遙感資料檢測科特迪瓦的可可種植園
SummerCrop_Deeplearning -> 農田生態系中農作物可遷移的學習分類模型與碳匯估算
DeepForest 是一個 Python 包，用於根據機載 RGB 影像訓練和預測單一樹冠
來自 Omdena 的“衛星圖像識別樹木”挑戰賽的官方存儲庫
使用衛星圖像計數樹木 -> 建立傳入和傳出樹木的清單以進行年度樹木檢查，使用 keras 和語義分割
2020 年《自然》論文 - 西非撒哈拉和薩赫勒地區的樹木數量出人意料地多 -> 基於 U-Net 和 tensorflow 2 的樹木檢測框架，代碼見此處
TreeDetection -> 基於顏色的分類器，用於檢測 google 影像資料中的樹木，以及透過 OpenCV 進行樹木視覺定位和樹冠大小計算
PTDM -> 基於注意力機制和跨層特徵融合的柚子樹偵測方法
Urban-Tree-Detection -> 使用高解析度多光譜影像進行大規模城市環境中的單棵樹檢測。帶資料集
BioMassters_baseline -> 使用 UNet 的基本 pytorch 閃電基線，用於開始 BioMassers 挑戰（生物量估計）
Biomasters 獲獎者 -> 前 3 名解決方案
kbrodt 生質能解決方案 -> 第一名解決方案
趣奇訊生物質能解決方案
生物量估計 -> 來自 Azavea，應用於 Sentinel 1 和 2
3DUNetGSFormer -> 使用生成對抗網路和 Swin 變壓器進行複雜濕地測繪的深度學習管道
SEANet_torch -> 使用語意邊緣感知多任務神經網路從遙感影像中描繪農業地塊
arborizer -> 樹冠分割與分類
再利用 -> 用於碳儲存和地上生物量估算的回歸 Unet
unet-sentinel -> UNet 處理 Sentinel-1 SAR 影像以識別森林砍伐
MaskedSST -> 用於高光譜影像分類的 Masked Vision Transformer
UNet-defmapping -> 碩士論文使用 UNet 使用 Sentinel-2 2A 級影像繪製森林砍伐地圖，應用於亞馬遜和大西洋雨林資料集
cvpr-multiearth-deforestation-segmentation -> 多模式 Unet 參與 CVPR Multiearth 2023 毀林挑戰
監督小麥分類使用 pytorchs-torchgeo -> 使用 torchgeo 監督小麥分類
TransUNetplus2 -> TransU-Net++：重新思考用於森林砍伐繪圖的注意力門控 TransU-Net。使用亞馬遜和大西洋森林資料集
地球高解析度冠層高度模型 -> 地球高解析度冠層高度模型
Radiant Earth Spot the Crop Challenge -> 來自 Radiant Earth Spot the Crop Challenge 的獲勝模型，使用 Sentinel-2 多光譜資料的時間序列對南非西開普省的農作物進行分類。另一種解決方案
Transfer-field-delineation -> 具有有限標籤的衛星影像中農田邊界分割的多區域遷移學習
割草檢測 -> 從 Sentinel 影像中自動檢測割草和放牧
PTAViT3D 和 PTAViT3DCA -> 處理蓬鬆雲：使用 S2 和/或 S1 影像時間序列進行場邊界偵測
ai4boundaries -> 一個方便下載 AI4boundaries 資料集的 Python 包
pytorch-waterbody-segmentation -> 在 Kaggle 的水體衛星影像資料集上訓練的 UNET 模型。該模式部署在 Hugging Face Spaces 上
使用 UNET 和 Resnet-34 作為主幹的洪水檢測和分析使用 fastai
使用深度學習從衛星影像自動偵測洪水
UNSOAT 使用 fastai 訓練 Unet 對衛星影像進行語意分割以偵測水
高解析度航空影像的半監督分類和分割 - 解決 FloodNet 問題
Houston_flooding -> 使用颶風哈維的資料將每個像素標記為被淹沒或未淹沒。資料集由洪水前後影像組成，並使用影像像素的無監督聚類（使用 DBScan）和人工聚類驗證/調整來建立地面實況洪水掩模
ml4floods -> 由資料、模型和程式碼管道組成的生態系統，用於透過 ML 解決洪水問題
ETCI 洪水偵測競賽入門綜合指南 -> 使用 Sentinel1 SAR 和 pytorch
使用 SageMaker 繪製 SAR 影像的洪水圖 -> 應用於 Sentinel-1 資料集
STAC 溢位解決方案第一名：從 Microsoft AI for Earth 所託管的雷達圖像中繪製洪水地圖 -> 將 Unet 與 Catboostclassifier 結合起來，取最大值，而不是平均值
Hydra-Floods -> 一個開源 Python 應用程序，用於下載、處理和提供源自遙感資料的地表水圖
CoastSat -> 用於繪製海岸線的工具，其擴展名為 CoastSeg，使用分割模型
Satellite_Flood_Segmentation_of_Harvey -> 探索深度學習和傳統的 kmeans
利用衛星影像偵測洪水事件
ETCI-2021-洪水偵測競賽 -> 使用循環偽標記和雜訊學生訓練對 Sentinel-1 SAR 影像進行洪水分割的實驗
FDSI -> 衛星影像中的洪水偵測 - 2017 年多媒體衛星任務
deepwatermap -> 在多光譜影像上分割水的深度模型
rivamap -> 自動化河川分析與繪圖引擎
深水 -> 追蹤水位變化
WatNet -> 基於 Sentinel-2 影像的用於地表水測繪的深度 ConvNet，使用地球表面水資料集
洪水範圍映射的 AU 網絡
floatobjects -> 使用 SENTINEL 學習空間特徵，在全球範圍內檢測浮動物體 2. 使用 U-Net 和 pytorch
SpaceNet8 -> 用於偵測被淹沒的道路和建築物的基線 Unet 解決方案
dlsim -> 透過模擬和深度學習突破洪水和泥石流測繪遙感的限制
Water-HRNet -> 在 Sentinel 2 上訓練的 HRNet
使用切薩皮克保護區提供的 NAIP 影像識別新開發或被淹沒的土地的語義分割模型，在 MS Azure 上進行訓練
BandNet -> 使用機器學習進行水分割的多光譜資料分析與應用。使用 Sentinel-2 數據
mmflood -> MMFlood：衛星影像洪水描繪的多模態資料集 (Sentinel 1 SAR)
Urban_flooding -> 建立可轉移的資料驅動模型來預測德國柏林的城市洪水洪水深度
Flood-Mapping-Using-Satellite-Images -> 碩士論文比較隨機森林和 Unet
MECNet -> 豐富的 CNN 功能，可根據高解析度航空和衛星影像進行水體分割
SWRNET -> 星載小地表水域辨識的深度學習方法
elwha-segmentation -> 微調 Meta 的 Segment Anything (SAM) 以實現鳥瞰河流像素分割，附 Medium 文章
RiverSnap -> 論文程式碼：近距離遙感影像中河流水體分割的流行深度學習模型和分段任意模型 (SAM) 的比較效能分析
SatelliteVu-AWS-Disaster-Response-Hackathon -> 使用經典 ML 和深度學習預測火勢蔓延
使用在 Databricks 和 Keras 上訓練的 U-Net 進行野火偵測，語意分割
使用 Sentinel-2 和 VIIRS 進行高解析度燒傷區域監測的實用方法
AI 地理空間野火風險預測 -> 使用地理空間柵格資料的預測模型，利用 Unet 評估美國本土的野火危險潛力
IndustrialSmokePlumeDetection -> 使用 Sentinel-2 和修改後的 ResNet-50
燒毀區域檢測 -> 使用 Sentinel-2
救援 -> 專注於火災：用於野火嚴重程度預測的多通道深度學習模型
Smoke_segmentation -> 根據 GOES 影像分割煙羽並預測密度
野火偵測 -> 使用 Vision Transformers 增強衛星影像中的野火偵測
Burned_Area_Detection -> 使用 Sentinel-2 資料偵測燒毀區域
burn-area-baseline -> 衛星燒毀區域資料集附帶的基線unet模型（哨兵1和2）
burn-area-seg -> 使用多任務學習從 Sentinel-2 進行燒傷區域分割
chabud2023 -> 燒毀區域劃分 (ChaBuD) ECML/PKDD 2023 挑戰的變更偵測
使用 Siamese-UNet 進行野火燒毀後檢測 -> 在 Chadbud 資料集上
vit-burned-detection -> 燒傷區域描繪中的視覺變換器
landslide-sar-unet -> 使用合成孔徑雷達 (SAR) 資料立方體進行深度學習快速山體滑坡檢測
landslide-mapping-with-cnn -> 使用廣義卷積神經網路繪製滑坡地圖的新策略
Relict_landslides_CNN_kmeans -> 結合 k-means 聚類演算法和深度學習語意分割模型進行雨林地區遺跡滑坡檢測
Landslide-mapping-on-SAR-data-by-Attention-U-Net -> 透過 Attention U-net 在 SAR 資料上快速繪製滑坡地圖
SAR-landslide-detection-pretraining -> 基於 SAR 的山體滑坡分類預訓練可實現更好的分割
透過變化檢測從 Sentinel-2 影像中繪製滑坡地圖
HED-UNet -> 同步語意分割和邊緣偵測的模型，提供的範例是使用 Inria 航空影像標籤資料集的冰川前緣和建築物足跡
glacier_mapping -> 繪製興都庫什喜馬拉雅冰川的地圖，Landsat 7 圖像，冰川的 Shapefile 標籤，帶有 dropout 的 Unet
glacier-detect-ML -> 一個簡單的邏輯迴歸模型，用於識別 Landsat 衛星影像中的冰川
冰川語意分割
南極裂縫檢測 -> 使用 UNet 和南極洲 MODIS Mosaic 來偵測地面裂縫
檢測露天垃圾掩埋場 -> 使用 Sentinel-2 檢測標準化燃燒速率 (NBR) 的大幅變化
sea_ice_remote_sensing -> 海冰濃度分類
高光譜影像甲烷檢測 -> 低空高光譜影像甲烷檢測的深度遙感方法
甲烷排放項目 -> 分類 CNN 以整合方法與表格資料的傳統方法結合
CH4Net -> 使用 Sentinel-2 偵測甲烷羽流的快速、簡單模型
EddyNet -> 用於海洋渦流像素級分類的深度神經網絡
血吸蟲植被 -> 衛星影像的深度學習分割識別出與非洲塞內加爾血吸蟲病蝸牛中間宿主相關的水生植被
Earthformer -> 探索用於地球系統預測的時空變換器
Weather4cast-2022 -> Weather4cast 雨電影預測競賽的 Unet-3D 基準模型
WeatherFusionNet -> 根據衛星資料預測降水量。 Weather4cast-2022 第一名解決方案
MarineDebrisDetector -> 使用 Sentinel-2 大規模偵測沿海地區海洋垃圾
kaggle-identify-contrails-4th -> 第四名解決方案，Google 研究 - 識別凝結尾跡以減少全球暖化
MineSegSAT -> 一種根據 Sentinel-2 影像評估採礦幹擾區域範圍的自動化系統
STARCOP：利用高光譜機器學習模型對甲烷羽流進行語意分割
asos -> 使用可解釋的機器學習和衛星圖像識別景觀中的受保護和人為模式
由於其他物體的遮蔽以及複雜的交通環境，提取道路具有挑戰性
ChesapeakeRSC -> 分割以從背景中提取道路，但也根據它們在「道路上的樹冠」類別上的表現進行額外評估
使用語義分割進行道路檢測，並使用馬薩諸塞州道路資料集、U-net 和 Keras 進行資料增強。有程式碼
ML_EPFL_Project_2 -> Pytorch 中的 U-Net 對衛星影像進行道路語意分割
使用 U-net Keras 進行道路語意分割、OSM 資料、學生的專案摘要文章，無程式碼
SpaceNet 道路偵測與路由挑戰賽的獲勝解決方案
RoadVecNet -> keras 中的道路網路分段與向量化與資料集
jupyter筆記本偵測道路和道路類型
Awesome-deep-map -> 專門用於深度學習/電腦視覺地圖演算法的精選資源清單。測繪問題包括道路網絡推斷、建築物足跡提取等。
RoadTracer：從航空影像中自動擷取道路網路 -> 使用基於 CNN 的決策函數引導的迭代搜尋過程，直接從 CNN 的輸出匯出道路網路圖
road_detection_mtl -> 使用多任務學習技術的道路偵測，透過結合先驗知識限制來提高道路偵測任務的效能，使用 SpaceNet 道路資料集
road_connectivity -> 透過方向和分段共同學習來改善道路連結性 (CVPR2019)
使用經典影像處理進行道路網路擷取 -> 模糊和精明的邊緣偵測
SPIN_RoadMapper -> 透過空間和互動空間圖推理從空拍影像中提取道路以實現自動駕駛
road_extraction_remote_sensing -> pytorch 實現，CVPR2018 DeepGlobe 道路提取挑戰賽提交。另請參閱 DeepGlobe-Road-Extraction-Challenge
Microsoft 的 RoadDetections 資料集
CoANet -> 用於從衛星影像中提取道路的連接注意網路。 CoA 模組包含圖形訊息，以確保更好地保留道路的連通性
衛星圖像道路分割 -> 使用 kaggle 馬薩諸塞州道路資料集在 Medium 上發表介紹文章
Label-Pixels -> 用於道路和其他特徵的語意分割
衛星影像道路擷取 -> 透過深度殘差 U-Net 進行道路擷取
road_building_extraction -> 用於道路和建築物提取的 U-Net 架構的 Pytorch 實現
RCFSNet -> 透過道路情境和全階段特徵從衛星影像中提取道路
SGCN -> 用於從高解析度遙感影像複雜環境中提取道路的分割深度可分離圖卷積網絡
ASPN -> 使用對抗性空間金字塔網路進行遙感影像的道路分割
FCNs-for-road-extraction-keras -> 基於各種語意分割網路的高解析度遙感影像道路擷取
cresi -> 從衛星圖像中提取道路網絡，並估計速度和旅行時間
D-LinkNet -> LinkNet 具有預訓練編碼器和擴張卷積，用於高解析度衛星影像道路擷取
Sat2Graph -> 透過圖張量編碼提取道路圖
影像分割）-> 使用馬薩諸塞州道路資料集和 fast.ai
RoadTracer-M -> 使用基於 CNN 的分割和追蹤從衛星影像中提取道路網絡
ScRoadExtractor -> 基於 Scribble 的弱監督深度學習從遙感影像中擷取路面
RoadDA -> 用於遙感影像道路分割的對抗性自訓練的階段式無監督域適應
DeepSegmentor -> DeepCrack 和 RoadNet 專案的 Pytorch 實現
級聯殘餘注意力增強遙感影像道路擷取
NL-LinkNet -> 透過非本地操作實現更輕但更準確的道路提取
IRSR-net -> 輕量級遙感道路偵測網絡
hironex -> 一個Python工具，用於從歷史地圖中自動、完全無監督地提取歷史道路網絡
Road_detection_model -> 使用人工智慧和 Sentinel-2 繪製巴西亞馬遜地區的道路圖
DTnet -> 基於跨層圖融合模組的雙任務網路道路偵測
使用深度學習技術從歷史地圖中自動提取道路 -> 使用深度學習技術從歷史地圖中自動提取道路
Istanbul_Dataset -> 伊斯坦堡、Inria 和馬薩諸塞州資料集的分段
道路分割 -> 使用 CNN（U-Nets 和 FCN8）和邏輯回歸對衛星影像進行道路分割
D-LinkNet -> DeepGlobe 道路提取挑戰賽第一名解決方案
PaRK-Detect -> PaRK-Detect：透過分片關鍵點檢測實現高效的多任務衛星影像道路擷取
tile2net -> 繪製步行圖：一種可擴展的電腦視覺方法，用於從航空圖像生成人行道網路資料集
AerialLaneNet -> Building Lane-Level Maps from Aerial Images，介紹了 AErial Lane (AEL) 資料集：第一個用於車道偵測的大型航空影像資料集
sam_road -> 分段任意模型 (SAM)，用於從航空影像中提取大規模向量化道路網路。
LRDNet -> 一種基於多尺度卷積注意力網路和耦合解碼器頭的輕量級道路偵測演算法
透過連接性和分段的聯合學習細粒度提取道路網路 -> 使用 SpaceNet 3 資料集
衛星影像中的道路和建築語義分割在馬薩諸塞州道路資料集和 keras 上使用 U-Net
使用航空攝影尋找未經授權的建築物 -> 建立資料集
SRBuildSeg -> 讓低解析度衛星影像重生：超解析度建築物擷取的深度學習方法
使用 U-Net 和 fastai 在具有挑戰性的 SpaceNet7 資料集上使用 fastai 建立足跡偵測
Pix2Pix-for-Semantic-Segmentation-of-Satellite-Images -> 使用 Pix2Pix GAN 網路從衛星影像分割建築物足跡，使用張量流
SpaceNetUnet -> 基線模型類似於 U-net，應用於 SpaceNet Vegas 數據，使用 Keras
自動建築物偵測 -> 輸入：極高解析度（<= 0.5 m/像素）RGB 衛星影像。輸出：向量格式（geojson）的建築物，用於數位地圖產品。建構於 robosat 和 robosat.pink 之上。
project_sunroof_india -> 分析 Google 衛星圖像以產生有關各個房屋屋頂太陽能潛力的報告，使用一系列經典電腦視覺技術（例如 Canny 邊緣檢測）來分割屋頂
JointNet-A-用於道路和建築物提取的通用神經網絡
使用衛星圖像繪製非洲建築地圖：Google AI 部落格文章。查看開放建築資料集
nz_convnet -> 基於 U-net 的 ConvNet，用於紐西蘭影像對建築物輪廓進行分類
polycnn -> 用於遙感影像分類的多邊形的端對端學習
motokimura 使用 Unet 的 spacenet_building_detection 解決方案
Vec2Instance -> 應用於 SpaceNet 挑戰 AOI 2 (Vegas) 建築足跡資料集，tensorflow v1.12
EarthquakeDamageDetection -> 使用 Keras 從衛星影像中進行建築物分割並為每個建築物進行損壞分類
fuweifu-vtoo 的語義分割儲存庫 -> 使用 pytorch 和馬薩諸塞州建築和道路資料集
使用 Amazon SageMaker 從 AWS 開放資料中擷取建築物和道路 -> 使用儲存庫
TF-SegNet -> AirNet 是基於 SegNet 的分割網絡，但進行了一些修改
rgb-footprint-extract -> 使用 RGB 衛星圖像、帶有 Dilated ResNet C42 主幹的 DeepLavV3+ 模組進行城市規模建築足跡提取的語義分割網絡
SpaceNetExploration -> 一個範例項目，示範如何使用語意分割模型從衛星影像中擷取建築物足跡。來自 SpaceNet 挑戰賽的數據
Rooftop-Instance-Segmentation -> VGG-16，實例分割，使用 Airs 資料集
Solar-farms-mapping -> 印度太陽能位置的人工智慧資料集
家禽-cafos -> 此儲存庫包含用於從高分辨率航空圖像檢測家禽穀倉的程式碼以及美國預測穀倉的隨附資料集
ssai-cnn -> 這是 Volodymyr Mnih 在馬薩諸塞州道路和建築資料集上的論文方法的實現
使用槳和蚱蜢將遙感建築物提取為 3D 模型
Segmentation-Enhanced-resunet -> 使用修改殘差 U-Net (Modified ResUnet) 並應用後處理提取大田地區的城市建築
用於 Spacenet 離最低點建築物檢測的 Mask RCNN
GRSL_BFE_MA -> 使用新穎的損失函數進行基於深度學習的缺失註釋的建築足跡擷取
FER-CNN -> 使用更快的邊緣區域卷積神經網路對衛星影像中的建築物進行偵測、分類和邊界正則化
UNET-Image-Segmentation-Satellite-Picture -> Unet 在 Crowed AI Mapping 資料集上預測屋頂，使用 keras
使用深度學習 GeoSpatial-UNET 從航空圖像生成向量地圖 -> 應用於尺寸非常大的地理參考圖像 > 10k x 10k 像素
Building-footprint-segmentation -> pip 可安裝庫，用於訓練衛星和航空圖像上的建築足跡分割，應用於馬薩諸塞州建築資料集和 Inria 航空圖像標籤資料集
SemSegBuildings -> 使用 fast.ai 框架在 Inria 建築分割資料集上進行語意分割的項目
FCNN-example -> 過度擬合給定的單一影像來偵測房屋
SAT2LOD2 -> 一款基於 Python 的開源 GUI 軟體，它將衛星圖像作為輸入，並傳回 LoD2 建築模型作為輸出
SatFootprint -> 在 Spacenet 7 資料集上建置分割
建築物偵測 -> 光柵視覺實驗，用於訓練模型以從拉丁美洲三個城市的衛星影像中偵測建築物
多建築物追蹤器 -> 使用深度學習的衛星影像多目標建築物追蹤器
用於建築物提取的邊界增強語義分割
用於二進位語義分割的keras程式碼
太空網建築檢測
LGPNet-BCD -> 透過局部-全域金字塔網路和跨任務遷移學習策略建構 VHR 遙感影像變化來偵測
MTL_homoscedastic_SRB -> 用於建構足跡分割的多任務深度學習框架
UNet_CNN -> UNet 模型使用遙感資料分割波士頓的建築物覆蓋範圍，使用 keras
FDANet -> 超高解析度光學遙感影像中建築物擷取的全級域適應
CBRNet -> 用於從遙感影像中提取建築物的從粗到細的邊界細化網絡
ASLNet -> VHR 遙感影像中建築物擷取的對抗性形狀學習
BRRNet -> 用於從高解析度遙感影像中自動提取建築物的全卷積神經網絡
多尺度過濾建築物索引 -> 用於甚高解析度衛星影像中建築物提取的多尺度過濾建築物索引
遙感模型 -> 應用於建築物偵測的一長串 unets 等
boundary_loss_for_remote_sensing -> 遙感影像語意分割的邊界損失
開放城市人工智慧挑戰 -> 分割建築物以提高抗災能力。 Github 上的獲勝解決方案
MAPNet -> 用於從遙感影像中建立足跡提取的多參與路徑神經網絡
雙 hrnet -> 定位建築物並對其損壞程度進行分類
ESFNet -> 用於從高解析度航空影像中建立提取的高效網絡
Rooftop-Detection-Python -> 從低解析度衛星影像中偵測屋頂，並使用經典電腦視覺技術計算耕種和太陽能板安裝面積
keras_segmentation_models -> 使用基於開放向量的空間資料建立語意資料集以建立柵格資料分割
CVCMFFNet -> 用於建構 InSAR 影像語意分割的複值卷積和多特徵融合網絡
STEB-UNet -> 整合在 U 型網路中的基於 Swin Transformer 的編碼增強器，用於建築物提取
dfc2020_baseline -> 2020 年 IEEE GRSS 資料融合競賽的基準解決方案。
將基於不同資料集的多個分割模型整合到單一邊緣可部署模型中 -> 屋頂、汽車和道路分割
ground-truth-gan-segmentation -> 使用 Pix2Pix 分割建築物的佔地面積。使用的數據集是AIRS
UNICEF-Giga_Sudan -> 使用 UNET 分割模型從蘇丹南部的衛星影像中偵測學校地段
Building_footprint_extraction -> 此專案從 Google 擷取衛星影像並使用 U-Net 執行建築物足跡擷取。
專案正則化 -> 使用對抗性和正則化損失對衛星影像中的建築邊界進行正則化
PolyWorldPretrainedNetwork -> 使用圖神經網路在衛星影像中擷取多邊形建築物
dl_image_segmentation -> 用於貧民窟測繪和監控的不確定性感知可解釋深度學習。使用形狀
UBC-dataset -> 用於根據極高解析度衛星影像進行建築物偵測和分類的資料集，重點是單一建築物的物件級解釋
UNetFormer -> 類似 UNet 的轉換器，用於遙感城市場景影像的高效語意分割
BES-Net -> 用於高解析度影像語意分割的邊界增強語意上下文網路。應用於 Vaihingen 和 Potsdam 資料集
CVNet -> 用於建築物提取的輪廓振動網絡
CFENet -> 用於從高解析度遙感影像中提取建築物的上下文特徵增強網絡
HiSup -> 衛星影像中建築物的精確多邊形測繪
BuildingExtraction -> 使用稀疏令牌轉換器從遙感影像中提取建築物
CrossGeoNet -> 建構標籤稀缺地理區域足跡產生的框架
AFM_building -> 透過具有吸引力場表示的捲積神經網路建構足跡生成
RAMP（用於微觀規劃的可複製人工智慧）-> 在中低收入國家建立檢測
建築實例分割 -> 用於建築實例提取的具有自適應中心點檢測器的多模態特徵融合網絡
CGSANet -> 輪廓引導和局部結構感知的編碼器-解碼器網絡，用於從超高分辨率遙感影像中準確提取建築物
Building-footprints-update -> 從雙時態遙感影像學習顏色分佈以更新現有的建築足跡
RAMP -> 模型和建築物資料集，支援各種人道主義用例
Thesis_Semantic_Image_Segmentation_on_Satellite_Imagery_using_UNets -> 本碩士論文旨在使用 U-Net 架構對來自 SpaceNet Challenge 1 資料集的衛星圖像進行建築物語義分割
HD-Net -> 高解析度解耦網絡，透過深度監督的身體和邊界分解來提取建築足跡
RoofSense -> 一種新穎的深度學習解決方案，利用航空影像和雷射掃描資料融合對荷蘭建築群的屋頂材料進行自動分類
IBS-AQSNet -> 用於高解析度遙感影像中互動式建築分割的增強型自動品質評估網絡
DeepMAO -> 用於在衛星影像中建立分割的深度多尺度感知超完備網絡
Deep-Learning-for-Solar-Panel-Recognition -> 使用 Yolov5 和 Unet 分割進行物件偵測
DeepSolar -> 用於高效建構美國太陽能部署資料庫的機器學習框架。 Kaggle 上的資料集，實際上使用了 CNN 進行分類，並且透過對激活圖應用閾值來獲得分割。原始程式碼是 tf1，但 tf2/kers 和 pytorch 實作可用。另請查看可視化和深入分析..可以解釋弗吉尼亞州和 DeepSolar 跟踪器採用太陽能的因素：利用開源數據對基於深度學習的分佈式光伏測繪的準確性進行無監督評估
hyperion_solar_net -> 基於 Google 地圖 RGB 影像訓練的分類與分割模型
3D-PV-Locator -> 屋頂光伏系統的 3D 大規模偵測
PV_Pipeline -> 德國 DeepSolar
太陽能板偵測 -> 使用 SegNet，F
