如果想成为中心，那么就到中心去吧。

上图（d）展示了所提出的RSPrompter的结构，我们的目标是训练一个面向SAM的prompter，可以处理测试集中的任何图像，同时定位对象，推断它们的语义类别和实例掩码，可以表示为以下公式：图像通过冻结的SAM图像编码器处理，生成Fimg和多个中间特征图Fi。Fimg用于SAM解码器获得prompt-guided掩码，而Fi则被一个高效的特征聚合和prompt生成器逐步处理，以获取多组prompt和相应的语义类别。为设计prompt生成器，本文采用两种不同的结构，即锚点式和查询式。

code: https://github.com/dvlab-research/Entity文章目录1 abstract2 Introduction3 Proposed Method3.1 General Framework3.2 Continuous Alignment Module3.3 Implicit Function in CRM3.4 Training and Inference Strategy1 abstract分割4K或6K超高分辨率图像在图像分割中需要额外的计算。常见的策略，如降

code: https://paperswithcode.com/paper/190506368文章目录摘要论文的贡献协作性的全局-局部网络Motivation: Why Not Global or Local AloneGLNet Architecture摘要超高分辨率图像的分割要求越来越高，但对算法效率带来了重大挑战，特别是考虑到(GPU)内存限制。目前的方法要么对一个超高分辨率的图像进行降采样，要么将其裁剪成小块进行单独处理。无论哪种方式，局部细节或全局上下文信息的丢失都会导致有限的分割精度。我

参考 https://www.jb51.net/softjc/682010_all.html软件下载：链接：https://pan.baidu.com/s/1uSVddpUWOqyIAMn_s8vEkA提取码：ahi2

16bit8bitfrom skimage import exposure, img_as_ubyteimport gdalToolsimport numpy as npfrom PIL import Image as pilimgfrom pathlib import Pathimport warningsimport rasterioif __name__ == '__main__': imgPath = "test.tif" outPath = "test3_

文章目录2021Object-Based Classification Framework of Remote Sensing Images With Graph Convolutional Networks2021Object-Based Classification Framework of Remote Sensing Images With Graph Convolutional Networkscode and paper:https://github.com/CVEO/OBIC-GCN在

文章目录上传ROI加载ROI导入到Google网盘上传ROI加载ROIvar district = ee.FeatureCollection("users/hammesbridgettenubb74/helan");var dsize = district.size();var district_geometry = district.geometry();print(dsize);Map.centerObject(district_geometry,7);//去云function

code: https://github.com/gabrieltseng/pycrop-yield-prediction斯坦福大学的研究人员最近开发了一种基于深度学习的系统，可以通过卫星图像预测大豆产量。研究指出，“虽然根据土地状况、气象数据、及其它各类传感器数据预测作物产量已经取得了很高的准确率，但是对于许多发展中国家来说，这些数据并不易得且成本昂贵。利用遥感数据（如卫星图像）的方法可能提供成本较低且有效的替代方案。本研究采用的模型是：长短期记忆递归神经网络（LSTM）和卷积神经网络（CNN），.

code: https://github.com/VSainteuf/pytorch-psetae文章目录摘要论文的贡献方法摘要卫星图像时间序列在其日益普及的支持下，正处于国际机构致力于实现自动化地球监测的广泛努力的前沿。特别是，大规模的农业地块控制是一个具有重大政治和经济重要性的问题。在这方面，混合卷积-递归神经结构在卫星图像时间序列的自动分类中显示出了很好的结果。我们提出了一种替代方法，其中卷积层被有利地替换为在无序像素集上工作的编码器，以利用公开可用的卫星图像的典型粗糙分辨率。我们还提出使用基.

文章目录IntroductionWhat is the Google Earth Engine?Pre-processing and download dataConclusionReferenceIntroduction使用 Google Earth Engine Python API 和 FireHR 实用程序函数，您可以轻松下载地球上任何选定区域的时间序列或无云合成。在 Google Colab 上试用！Sentinel-2 俯瞰里斯本和特茹河。作者使用从 Google Earth Engin

文章目录IntroductionWorkFlow半小时下载一年全国数据添加参考数据IntroductionSinergise 是新 IACS 行动愿景(NIVA) H2020 项目的自豪合作伙伴，该项目与我们在欧盟共同农业政策 (CAP) 内推进综合管理和控制系统 (IACS) 的持续努力完美契合。NIVA 旨在通过利用数字技术的潜力来改进 IACS，最终减轻农民、支付机构和其他利益相关者的行政负担。具体而言，Sinergise 在 NIVA 中的作用是开发基于 Sentinel-2 图像的宗地边界

paper: https://arxiv.org/abs/2004.14875code: https://github.com/Lydorn/Polygonization-by-Frame-Field-Learning文章目录摘要简介方法介绍帧场帧场学习帧场多边形化实验结果结论摘要目前最先进图像分割模型通常以栅格形式输出分割，但地理信息系统中的应用通常需要矢量多边形。我们在遥感图像中提取建筑物的任务中，将帧场输出添加到深度分割模型中，将预测的帧场与地面实况轮廓对齐，帮助减少深度网络输出与下游任务中

文章目录摘要摘要从遥感图像中提取物体的边界一直是研究领域的一个重要问题。农田边界提取的自动化尤其需要快速更新韩国的数字农场地图。本研究旨在通过系统地重建一系列计算和数学算法，包括Suzuki85算法、精明边缘检测和霍夫变换算法，开发一种边界提取算法。由于韩国大多数不规则的农田已经被合并成长方形的大型的农业生产力安排，两个相邻地块之间的边界被假定为一条直线。所开发的算法被应用于6个不同的研究地点，以评估其在边界水平和截面积水平上的性能。在边界层面上，提取的边界的正确性、完整性和质量分别约为80.7%、7.

文章目录摘要论文的贡献方法A . Boosting SegmentationB . Multiple Starting Points TracingC. Fusion摘要准确和最新的路线图在广泛的应用中非常重要。不幸的是，由于树木和建筑物的遮挡、道路的可识别性和复杂的背景，从高分辨率遥感图像中自动提取道路仍然具有挑战性。为了解决这些问题，特别是道路的连通性和完整性，我们在本文中引入了一种新的基于深度学习的多阶段框架，以准确地同时提取路面和道路中心线。我们的框架由三个步骤组成：增强分割、多个起点跟踪和融

code: https://github.com/dingmyu/Pytorch-Topology-Aware-Delineation文章目录摘要论文的贡献方法Topology-aware lossIterative refinement结果摘要曲线结构的去线化是计算机视觉中具有多种实际应用的一个重要问题。随着深度学习的出现，目前关于许多自动描述的方法都集中于寻找更强大的深度架构，但继续使用习惯性的像素级损失，如二元交叉熵。在本文中，我们声称像素级损失本身不适合解决这个问题，因为它们无法反映最终预测.

paper:https://ieeexplore.ieee.org/document/9486859code:https://github.com/SonwYang/building-extraction文章目录前言要解决的问题技术路线方法基于权重映射的影像分类流程基于分水岭算法的影像后处理提取效果概览相关指标前言语义分割在基于高分影像的建筑提取中不能区分不同的建筑个体，因为在建筑密集区其通常将同一个类的对象紧密地打包成一个连接的组件，即使是优秀的语义分割网络模型也不可避免地会产生这样的结果。而实

code:https://github.com/rob-lian/DeepWindow文章目录摘要论文的贡献方法Road Center Estimation ModelAutomatic Searching of Tracking SeedsRoad Direction EstimationIterative Topology Tracking摘要道路中心线提取是道路网提取和建模的关键环节。传统道路提取方法中的工艺特征工程不稳定，使得提取的道路中心线在复杂情况下偏离道路中心，甚至导致整体提取误差。近.

code:https://github.com/weiyao1996/ScRoadExtractor文章目录AbstractContributionsMethodologyRoad Label PropagationDual-branch Encoder-decoder NetworkExperimentsConclusionAbstract使用深度学习方法从遥感图像中提取路面已经取得了良好的性能，而现有的方法大多是基于完全监督的学习的，这需要大量的训练数据和费力的每像素注释。在本文中，我们提出了一.

code:https://github.com/carlesventura/iterative-deep-learning文章目录AbstractMethods3.1 Patch-level learning for connectivity3.2 Iterative delineation3.3 Topology evaluationExperimentsAbstract本文研究了从航空图像中估计道路网络拓扑结构的任务。在对图像像素进行密集语义分类的全局模型的基础上，我们设计了一个卷积神经网络(C.

code:https://github.com/anilbatra2185/road_connectivity文章目录摘要论文的贡献方法Orientation LearningConnectivity RefinementStacked Multi-branch Module实验结果结论摘要从卫星图像中提取道路网络通常会产生支离破碎的路段，导致路线图不适合实际应用。由于缺乏连接监督和难以执行拓扑约束，像素级分类无法预测拓扑正确和连接的道路掩模。在本文中，我们提出了一个名为方向学习的连接任务，其动机是.

下面这个脚本是下载道路的，需要下载建筑的童鞋改下下载的网址。import reimport osimport requestsimport shutilfrom bs4 import BeautifulSoupimport progressbardef download_file(url, path): r = requests.get(url, stream=True) if r.status_code == 200: with open(path, '

code:https://github.com/davide-belli/generative-graph-transformer文章目录介绍方法解码器编码器训练设置评估指标实验结果定量结果定性结果结论和未来工作参考介绍图的深度生成模型在药物设计领域显示出巨大的前景，但到目前为止，除了生成图结构分子之外，几乎没有其他应用。在这项工作中，我们展示了从图像数据中提取道路网络这一挑战性任务的概念证明，引入了生成图变换器 (GGT)：一种基于最先进注意力机制的深度自回归模型。在道路网络提取中，目标是学习重建.

文章目录Abstract1 Introduction1.1 Related Work1.2 Contribution2 Materials and Methods2.1 Data Acquisition2.2 Data Preprocessing2.3 Model Architectures2.3.1. Convolutional Neural Networks2.3.2. Long Short-Term Memory Networks2.3.3. CNN-LSTM2.3.4. ConvLSTM2.3.5

Paper: arxiv.org/pdf/2007.09547.pdf (ECCV 2020)code:https://github.com/songtaohe/Sat2Graph文章目录1 摘要2 论文的贡献3 方法Graph-Tensor Encoding (GTE)Encodedecode实验结果复现结果1 摘要从卫星图像中推断道路图是一项具有挑战性的计算机视觉任务。之前的解决方案分为两类：（1)基于像素分割的方法，预测每个像素是否在道路上，以及(2）基于图的方法，迭代地预测道路图。我们发现

code: https://github.com/Lydorn/polycnn文章目录1 摘要2 方法2.1 The network2.2 The loss function实验结果1 摘要虽然地理信息系统通常使用多边形表示来绘制地球物体，但大多数最先进的方法通过对遥感图像进行像素分类，然后对输出进行向量化来生成地图。本文研究了是否可以学习直接输出图像的向量语义标记。我们在这里将一个映射问题转换为一个多边形预测任务，并提出了一种深度学习方法来预测概述感兴趣对象的多边形的顶点。在太阳能光伏阵列位置.

文章目录1 摘要2 方法2.1 Polygon Representation2.2 Multiple Targets2.3 From Graphs to Polygons2.4 PipelineCNN PartRNN Part2.5 Implementation Details3 结果1 摘要我们提出了一种新的方法，名为PolyMapper，以绕过传统的（空中）图像的像素分割，并直接预测向量表示中的对象。直接从头顶的图像中提取一个城市的拓扑图，作为建筑足迹和道路网络的集合。为了统一不同类型对象的形状表.

应用背景介绍由于高分遥感影像，同物异谱和同谱异物现象较为严重，尤其针对那种没有固定的几何形态、只有纹理特征的地类进行建模时，其提取结果较差，误提率较高。从人的视角来看，易混淆的地类之间其纹理相似，某些情况下，我们也需要结合周边的场景信息才能准确判断出该地类的类别，这对于人工智障来说这是个极大的挑战，因此，引入场景识别模型进行检测框的过滤是个不错的选择。方法样本准备负样本准备根据目标识别结果，挑选出误识别的区域。正样本准备利用目标识别样本，以所绘制检测框的中心向外延伸N个长度，自动进行裁剪。

Introduction对于高分影像来说，训练卷积神经网络(CNNs)需要大量的高质量的像素级注释，这是非常费力和费时的生产。此外，由于高分影像的“同物异谱”和“同谱异物”在裸地地类上较为常见，如下图所示，仅凭人肉眼无法界定裸地地类的准确边界。针对上述问题，可借助弱监督学习来生成密集标注样本，该方法生成的样本更加符合裸地的实际边缘信息，并且大大减少标注样本的时间。样本如下图所示，其中c是通过弱监督学习自动生成的。CODE#from __future__ import print_function

code:https://github.com/Hua-YS/Semantic-Segmentation-with-Sparse-Labels文章目录摘要方法利用稀疏标签进行监督训练特征与空间关系正则化CRF用于边界细化摘要对于高分影像来说，训练卷积神经网络(CNNs)需要大量的高质量的像素级注释，这是非常费力和费时的生产。此外，专业的影像解译工程师可能必须参与进来，以保证注释的正确性。为了减轻这种负担，我们提出了一个基于不完整注释的航空图像语义分割框架，其中要求注释者用易于绘制的涂鸦标记几个像素。.

前言近年来，随着高遥感影像的空间分辨率不断提高，高分十四号（军高分）已经达到分米级，亚米级高分影像即可界定地物的类型、纹理和边缘，使得遥感地物细粒度分类和精准监测成为可能，已成为山区耕地信息提取的数据保障。农业遥感的耕地提取对象已从过去的大范围、大面积的密集耕地区向更加精准的耕地地块转变。本篇博文将利用“边缘/语义”的思想来实现地块级耕地提取，最终结果如下图所示。方法本篇博文介绍的方法较为简单，主要流程可分为三步：①利用语义分割模型提取耕地面；②利用边缘检测模型提取耕地线；③利用GIS算法——分区统

1. 准备好图层2. 切换视图3. 插入标题4. 插入指北针5. 插入图例6. 插入比例尺切换成km7. 插入经纬度格网初步效果两侧纬度竖直表示去掉图内的格网最终结果

1. 测绘学报2. 遥感学报3. 武汉大学学报（信息科学版）4. 农业机械学报5. 农业工程学报

1. 应用背景单一的基于深度学习的遥感分类模型泛化能力较差，就比如学生考试时，只会做自己曾经做过的题，遇到没有见过的题（类似的题），不懂得举一反三，表现很差。迁移学习可以较好地解决这个问题，赋予模型”举一反三“的能力。2. CycleGanhttps://blog.youkuaiyun.com/weixin_42990464/article/details/1164456933. 实验分析图1 模型训练用到的影像图2 模型测试用到的影像比较图1和图2，不难发现，二者色差较大，并且空间分辨率有些许差异。

文章目录前言高分观测卫星提供精准大数据天地一体化遥感技术服务农业农村遥感技术推进智慧农业发展和应用参考前言说到卫星遥感，大家多数会联想到遥不可及的浩瀚宇宙，以及逐梦太空的航天科技。那么，“翱翔九天”的航天和“接地气”的农业有着怎样的联系呢？中国农业科学院农业资源与农业区划研究所近期举办了中国航天农业农村遥感监测主题宣传活动，告诉公众中国航天与农业有着密不可分的联系，农业遥感从高分卫星中获取了大量的应用数据，从而更好地服务于中国农业事业。高分观测卫星提供精准大数据1970年，中国第一颗人造卫星“东方红

文章目录图像配准的概念图像配准的意义常用的图像配准方法方法流程图像配准的概念图像配准(Image Registration) 指依据一些相似性度量决 定图像间的变换参数使从不同传感器、不同视角、不同时间获 取的同一场景的两幅或多幅图像进行匹配、叠加的过程。同一区域里一幅图像（基准图像）对另一幅图像校准，以使两幅图像 中的同名像素配准，在像素层上得到最佳匹配的过程。图像配准的意义实际应用中经常发现同一地区的图像或者相邻地区有重叠区的图像，重叠区的相同 地物不能重叠，这种情况对图像的融合、镶嵌、动态

文章目录图像融合的概念图像融合的意义图像融合的目标图像融合的方法方法流程图像融合的概念图像融合（Pan sharpening, Merge, Fusion ）是指把在空间和时间上冗 余或互补的多源数据，按照一定的规则进行运算处理，获得比任何一种数据更精 确、更丰富的信息，生成一幅具有新的空间、波谱、时间特征的合成图像，是一 个对多遥感器的图像数据和其他信息的处理过程。将低分辨率的多光谱影像与高分辨率的单波段影像重采样生成一副高分辨率多光谱影像遥感 的图像处理技术，使得处理后的影像既有较高的空间分辨率，

1.柏林工业大学计算机视觉和遥感实验室https://www.cv.tu-berlin.de/menue/computer_vision_remote_sensing/parameter/en/2.北京航空航天大学航天学院图像处理中心（史振威）http://levir.buaa.edu.cn/index.htm3.南开大学程明明教授团队https://mmcheng.net/...

简述从遥感影像上进行道路自动提取，易出现断路，可通过某些方法获取中心线后，进行填充，填充的半径可自动生成。公式如下：参考https://github.com/astro-ck/Road-Extraction

文章目录2020ResUNet-a2020ResUNet-a摘要高分辨率航空图像的场景理解对于各种遥感应用中的自动化监测任务具有重要意义。 由于感兴趣对象像素值的类内和类间方差很大，这仍然是一项具有挑战性的任务。 近年来，深度卷积神经网络已开始应用于遥感应用中，并展示了图像像素级分类的最新性能。 在此，我们提出了一个可靠的框架，用于单时间非常高分辨率航空图像的语义分割。 我们的框架由一个新的深度学习体系结构ResUnet-a和一个基于Dice损失的新的损失函数组成。 Res UNet-a使用UNet

文章目录1. S2MTCP2. Hi-UCD3. SECOND4. CD_Data_GZ5. LEVIR-CD6. LEVIR-CD+7.SLADCD8. HRSCD9. Mts-WH10. WHU Building Change detection Dataset11. Synthetic images and read season-varying remote sensing images12. OSCD13. AICD Dataset14. SZTAKI15. Hyperspectral Chang