ssshyeong的博客

本文提出了一种新颖的由粗到精的遥感图像目标检测框架( CoF-Net )。CoF - Net主要由两个并行分支组成，即由粗到精的特征自适应( CoF-FA )和由粗到精的样本分配( CoF-SA )，分别旨在逐步增强特征表示和选择更强的训练样本。具体来说，CoF - FA将原始的粗特征平滑地细化为具有判别性空谱细节和语义关系的多光谱非局部精细特征。同时，CoF - SA通过在训练过程中逐步引入几何和分类约束进行样本分配，动态地从粗到细考虑样本。

在此基础上，提出了一种新的两阶段域自适应跨时空分类方法DACST，该方法的输入源数据为有标记的，目标数据为无标记的。它由图像级适应阶段和特征级适应阶段组成，前者对齐源数据和目标数据的外观并生成目标程式化的源图像，后者进一步缩小深度特征空间中的域偏移。DACST显著提高了嵌入在特征级自适应阶段的分类模型的时空可移植性，从而输出令人满意的分类地图。

我们在本文中提出了一种新的双归一化模型，在我们的广义分割过程中利用增强的源相似图像和源不同图像。具体来说，在给定单个源域的情况下，为了模拟在不可见的目标域中可能出现的外观变化，我们首先利用非线性变换来增强源相似图像和源不同图像。然后，为了充分利用这两种类型的增强，我们提出的基于双归一化的模型使用一个共享的骨干但独立的批归一化层进行单独的归一化。然后，我们提出了一种基于样式的选择方案来自动选择测试阶段的合适路径。

我们引入了一种新的模型，将结构化域自适应应用于合成图像的生成和道路分割。我们将特征金字塔(FP)网络引入生成式对抗网络，以最小化源域和目标域之间的差异。一个发生器被学习产生高质量的合成图像，而鉴别器试图区分它们。我们还提出了一个FPnetwork，通过从网络的所有层中提取有效的特征来描述不同尺度的对象，从而提高了所提模型的性能。

在本文中，我们提出了一种新的阶段域适应模型，称为RoadDA，以解决该领域的DS问题。在第一个阶段，RoadDA通过基于生成对抗网络(GANs)的域间适应，使目标域特征与源域特征保持一致。设计了一种特征金字塔融合模块，避免了狭长道路的信息丢失，并学习了判别性和鲁棒性特征。此外，为了解决目标域的域内差异，在第二阶段，我们提出了一种对抗性的自训练方法。我们使用训练好的生成器生成目标域的伪标签，并根据道路置信度得分将其划分为易分割和难分割。通过对抗性学习，将硬分割特征与易分割特征相结合，并重复域内适应过程，逐步提

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。...

我们在迄今为止最大的RS场景识别数据集MillionAID的帮助下，从无开始训练不同的网络，以获得一系列RS预训练的骨干，包括卷积神经网络(CNN)和视觉转换器，如Swin和ViTAE，它们在计算机视觉任务中表现出了良好的性能。然后，我们研究了RSP对代表性下游任务的影响，包括场景识别、语义分割、目标检测和变化检测，使用这些CNN和视觉Transformer主干。......

在本文中，我们提出了一个可扩展但简单的自适应MDA (AMDA)框架来解决这个问题。AMDA还能够比现有基线更有效地处理不同来源之间不平衡的数据分布。我们还将最初为域扩展(DE)提出的两种技术扩展到DA任务。将AMDA和扩展的DE技术应用于LCZ分类问题。尽管AMDA很简单，但它能够比基线提高12%以上...

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。......

针对基于VHR rsi的跨域分割，本文提出的课程式自适应算法根据目标域内每个patch的熵值评分所获得的自适应困难程度，以一种易-难的方式进行自适应过程，很好地对齐了域图像中的局部patch。本文提出的局部到全局自适应算法实现了从局部语义特征差异到全局结构特征差异的特征对齐过程，由一个语义级域分类器和一个熵级域分类器组成，可以减少上述跨域特征差异。......

提出了一个新的语义分割框架，该框架的关键组成部分是颜色映射生成对抗网络(ColorMapGANs)，它可以生成语义上与训练图像完全相同的虚假训练图像，但其光谱分布类似于测试图像的分布。然后，我们使用伪图像和训练后的真实图像来微调已经训练过的分类器，ColorMapGAN中的生成器没有任何卷积层或池化层。它学习将训练数据的颜色转换为测试数据的颜色，只需要执行一次元素矩阵乘法和一次矩阵加法操作。

本文中,我们建议使用深特性结合神经网络进行域的适应,在标记辅助数据源的数据可以用来提高分类的性能在有限领域,否则带安全标签的数据是可用的。该模型首先利用深度卷积递归神经网络提取源和目标域的鉴别特征，然后通过将每一层特征映射到变换后的每一层公共子空间，逐层对齐。

本文中，我们提出了一种新的深度协方差对齐（DCA）模型，用于UDA RSI分割。DCA可以显式地对齐类别特征，学习共享域不变的判别特征表示，从而增强模型泛化能力。具体来说，类别特征池（CFP）模块首先用于通过组合粗输出和深度特征来提取类别特征。然后，我们利用一种新的协方差正则化（CR）来加强类别内特征的更紧密性和类别间特征的进一步分离。

现有光学遥感卫星参数合集：MODIS、LandSat5、LandSat7、LandSat8、国产高分系列

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.

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

我们提出了光谱空间加权核流形嵌入分布对齐(ssk - meda)的遥感图像分类方法。该方法采用一种新的空间信息滤波器，有效地利用附近样本像素之间的相似性，避免了非样本像素的影响。然后，构造不同权重的空间核和光谱核相结合的复核，自适应平衡遥感图像光谱和空间信息的相对重要性。最后，我们利用流形空间中特征的几何结构来解决迁移学习场景中遥感数据的特征失真问题。