ssshyeong的博客

开发了一种用于自动云和阴影筛选的时空集成方法(“STI-ACSS”)，包括两个步骤:(1)通过自适应阈值方法集成空间(即单个PlanetScope图像的云/阴影指数)和时间(即PlanetScope图像时间序列中的反射异常值)信息，生成云/阴影的初始掩码;(2)将形态学处理与基于对象的云和云阴影匹配相结合，对这些初始掩码进行两步微调，得到最终掩码。

我们提出了一种检测高分一号WFV图像中云像素的方法。该方法采用深度网络对多尺度全局特征进行学习，将特征学习过程中获得的高级语义信息与低级空间信息相结合，将图像划分为云区域和非云区域。此外，利用Haar小波变换设计Up和Down块，充分利用图像的结构信息，特别是云的纹理信息，可以有针对性地学习。我们关注图像的原始信息，以辅助网络的学习。此外，我们还利用暗通道先验，通过在网络中的多尺度特征图中添加注意机制，设计了一个连续多尺度空间注意模块，以提供持续的性能改进

本文从云图像的遥感成像机制出发，从一个完全不同的角度重新审视云检测，即将云检测定义为前景和背景图像的混合能量分离。这一过程可以在基于深度学习的图像抠图框架下进一步等效地实现，具有明确的物理意义。更重要的是，该方法能够在统一的框架下处理三个不同但相关的任务，即“云检测”、“云去除”和“云量评估”。在三个卫星图像数据集上的实验结果证明了我们的方法是有效的，特别是对遥感图像中较复杂但常见的例子，如薄云和卷云。

本文提出了一种基于生成对抗网络（GAN）和基于物理的云失真模型（CDM）的协同组合的混合云检测方法。提出的弱监督GAN-CDM方法（在线可用https://github.com/Neooolee/GANCDM)训练只需要面片级标签，并且在训练和测试阶段都可以在像素级生成云掩模。

本文针对目前广泛应用的可见光和红外光谱通道的多光谱/高光谱光学遥感传感器，提出了一种基于光谱指数的统一云/影检测算法(CSD-SI)。一方面，提出了云指数(CI)和云阴影指数(CSI)，根据它们的物理反射特性来表示潜在的云和云阴影;此外，考虑云与云阴影的空间共存，采用空间匹配策略去除伪云阴影。在8种不同类型的光谱和空间分辨率的多光谱/高光谱光学传感器上验证了该算法的有效性。...

我们在半监督学习(SSL)网络中考虑了域转移问题。通过特征级和输出级的域适配，减小了有标记图像和无标记图像之间的域分布差距，提高了SSL网络预测结果的准确性。在Landsat-8 OLI和GF-1 WFV多光谱图像上的实验结果表明，在使用有限数量的标记样本时，所提出的半监督云检测网络(SSCDnet)能够实现有前景的云检测性能，并优于几种最先进的SSL方法。...

我们提出了一种无监督域自适应（UDA）方法，将源卫星标记图像上训练的模型推广到目标卫星的未标记图像。为了有效解决跨卫星图像的域偏移问题，我们开发了一种新的基于分组特征对齐（GFA）和熵最小化（EM）的UDA方法来提取域不变表示，以提高跨卫星图像的云检测精度。拟议的UDA方法在“Landsat-8→ ZY-3”“和”GF-1→ ZY-3“域适应任务上进行了评估。实验结果证明了我们的方法对现有最先进的UDA方法的有效性。...

我们提出了一种无监督域适应(UDA)方法，使在标记源卫星图像上训练的模型可以推广到未标记的目标卫星图像。具体而言，我们提出了一种细粒度特征对齐(FGFA)域适应策略，鼓励云检测网络提取域不变表示，这提高了云检测在未标记目标卫星图像中的准确性。该策略由两个步骤组成:1)基于注意引导机制的细粒度类相关特征选择和2)基于分组类相关特征对齐方法的类相关特征对齐(FA)。.........

本文提出了一种新的半监督云检测算法，通过训练自注意力生成对抗网络（SAGAN）来提取云图像和无云图像之间的特征差异。我们的主要想法是将视觉注意力引入到生成“真实”无云图像的过程中。SAGAN的训练基于三个指导原则：扩展云区域的注意力地图，用翻译后的无云图像替换；减少注意力地图，使其与云边界重合；优化自注意力网络，以处理极端情况。...

本文提出了一种用于云和雪检测的新型神经网络——地理信息驱动网络(GeoInfoNet)。除了使用图像数据外，该模型还集成了训练和检测阶段的地理信息。专门设计了“地理信息编码器”，将图像的海拔、纬度和经度编码为一组辅助地图，然后将其输入检测网络。该网络可以通过密集鲁棒特征提取和融合进行端到端训练。建立了用于云雪检测的新数据集“Levir_CS”，该数据集包含4168幅高分一号卫星图像和相应的地理记录，比该领域其他数据集大20多倍。......

本文提出了一种基于弱监督深度学习的云检测方法，该方法使用块级标签，仅指示一个遥感图像块中是否存在云。在训练阶段，提出了一种新的全局卷积池（GCP）操作，以增强特征映射表示有用信息（例如空间方差）的能力。在测试阶段，通过局部池修剪（LPP）策略修改经过训练的深度网络以生成云激活图（CAM），该策略修剪在训练阶段训练的深度网络的局部池层，以提高CAM的质量（例如，空间分辨率）。通过滑动窗口将一幅较大的遥感图像裁剪成多个重叠块，然后通过修改的深度网络生成每个块的CAM。......

为了准确捕捉云的可变视觉形式，我们提出了一种基于深度学习的策略，即边界网，该策略生成一个云掩码，用于检测一幅云图中的云。边界网由两个网络组成，即（a）可伸缩边界网和（b）可微边界网。可扩展边界网从云图像中提取多尺度特征，并通过多尺度融合模块综合表征具有可变边界尺度的云。可微边界网通过残差结构表征了多尺度云掩码和地面真实云掩码之间的差异。它生成一个差分云遮罩，作为多尺度云遮罩边界细节的补充。最后，通过融合多尺度云掩模和差分云掩模得到整体云掩模。......

考虑到获取信号的物理性质，我们提出了一种简单的迁移学习方法，使用Landsat-8和Proba-V传感器，它们的图像具有不同但相似的空间和光谱特征，利用一颗卫星的手动标记数据集来训练深度学习模型，用于云检测，可以应用(或转移)到其他卫星。......

常用云检测数据集信息及下载1.LandSat7云量评估数据集2.LandSat8-Biome生物群落云量评估数据集3.LandSat8-38Cloud数据集4.高分系列-GF1-WHU遥感影像云数据集5.Sentinel-2 Cloud Mask Catalogue5.1.数据介绍5.2.数据集目录编排5.3.统计数据5.4.错误和不确定性1.LandSat7云量评估数据集数据下载该集合包含206 个Landsat 7增强型主题映射器（ETM +）1G级场景，显示在以下生物群系中。手动生成的云遮罩用于

Improvement and expansion of the Fmask algorithm: cloud, cloud shadow, and snow detection for Landsats 4–7, 8, and Sentinel 2 images1.概述1.1.对于LandSat卫星1.2.对于Sentinel卫星1.3.本文贡献2.算法改进和扩展2.2.算法改进2.2.算法扩展2.2.1.针对LandSat8的算法2.2.2.针对 Sentinel 2的算法论文地址1.概述1.1.

Object-based cloud and cloud shadow detection in Landsat imagery1.概述2.背景3.FMask算法3.1.潜在云、云影和雪层3.1.1.潜在云层PCP(Potential cloud layer—pass one)Fmask首先使用基于云物理属性的规则来分离潜在云像素（PCP）和清晰天空像素。接下来，将归一化温度概率、光谱可变性概率和亮度概率结合起来，分别为陆地和水域上的云生成概率遮罩。然后，将PCP和云概率掩模一起用于推导潜在云层。1.概

An image transform to characterize and compensate for spatial variationsin thin cloud contamination of Landsat images1.BackGround1.1.存在问题1.2.现有方法1.3.本文贡献2.HOT算法2.1.基本思路2.2.问题3.对云和气溶胶类型的敏感性1.BackGround1.1.存在问题即使在陆地卫星场景地理覆盖范围有限的情况下（例如185-185公里），感兴趣的时间窗口也