这些数据一般是或者含有地理真值,或者带有原始的观测数据、抑或没有经过过多的处理,覆盖范围较小,或有多种数据的覆盖,因此多用于科学研究。这里选择性地列出作者熟悉的一些参考数据供读者参考。
在经典物理学中,光波穿过狭缝、小孔或者圆盘之类的障碍物时,不同波长的光会发生不同程度的弯散传播,再通过光栅进行衍射分光,形成一条条谱带。也就是说:空间中的一维信息通过镜头和狭缝后,不同波长的光按照不同程度的弯散传播,这一维图像上的每个点,再通过光栅进行衍射分光,形成一个谱带,照射到探测器上,探测器上的每个像素位置和强度表征光谱和强度。一个点对应一个谱段,一条线就对应一个谱面,因此探测器每次成像是空间一条线上的光谱信息,为了获得空间二维图像再通过机械推扫,完成整个平面的图像和光谱数据采集。
高光谱图像技术最早应用在遥感军事领域,用于地面目标探测,地面物体分类。由于不同物质的理化性质决定了其对不同波段的光表现出不同的光谱特性,近十年来,利用高光谱做食品、农产品、药品的无损质量检测十分火热。
与多光谱数据相比,高光谱数据往往可以在地表参数反演等方面获得更高的精度。为此,有必要介绍一下目前全球主要星载高光谱遥感数据或相关平台的一些知识。同时在本文最后,也引入了自己对于国内外高光谱遥感发展的一些思考。
高光谱影像因其高光谱分辨率(具有几百个光谱波段)所提供的丰富光谱信息在许多实际应用中都大放光彩,如图像分类、异常检测、变化检测和定量农业等领域。然而由于信噪比和卫星重访周期等原因,高光谱影像的空间分辨率很低,如Modis卫星影像的空间分辨率为500m,使得影像的空间细节严重丢失,极大地限制了其在应用中的范围和精度。
---- 新智元报道 编辑:好困 LRS 【新智元导读】清华大学、哈佛大学和苏黎世联邦理工学院等提出「多快好省」的高光谱图像重建方法 MST 及 MST++ 相继登上顶会。 话不多说,先上结果。 图1 MST 与 MST++ 与 SOTA 算法的对比图(横轴代表计算量,纵轴代表性能,圆半径代表参数量) 由上图可以得出,MST 与 MST++ 不仅消耗的计算量少,而且参数量也非常小。 如此看来,刷个 SOTA 入个顶会也是情理之中了——MST 被 CVPR 2022 接收,其改进版 MST++ 被
这篇论文应该是3DCNN的鼻祖,对于视频数据来说,作者认为3D ConvNet非常适合于时空特征学习,这里也就是视频分析任务上。 摘要: 我们提出了一种简单而有效的时空特征学习方法,该方法使用在大规模有监督视频数据集上训练的深层三维卷积网络(3D ConvNets)。我们的发现有三个方面:1)与2D ConvNet相比,3D ConvNet更适合时空特征学习;2)具有小的3×3×3卷积核的同质结构是3D ConvNet中性能最好的结构之一;3)我们学习的特征,即C3D(卷积3D),在4个不同的基准上优于最先进的方法,并在其他2个基准上与当前最好的方法相媲美。此外,特征紧凑:在只有10维的UCF101数据集上达到了52.8%的准确率,而且由于ConvNets的快速推理,计算效率也很高。最后,它们在概念上非常简单,易于培训和使用。
高光谱(HS)成像技术的迅速发展显著增强了人类观察现实世界的能力,细节和深度都得到了提升[1]。与传统摄影仅在有限的几个宽光谱带内获取图像不同,高光谱成像系统通过测量每个像素的能量光谱,前所未有的同时实现了空间和光谱信息的捕获。生成的三维(3-D)高光谱数据立方体包含了每个空间分辨率元素的近乎连续的光谱轮廓,从而使得对成像内容的量化、识别和认定的准确性得到提高。得益于航空航天和仪器技术的最新进展[2],高光谱成像已逐渐成为遥感(RS)不可或缺的工具。在其广泛的应用中,高光谱图像分类在从环境监测、城市规划到军事科学等众多领域引起了广泛关注,展示了其潜在的普遍性和交叉重要性[3, 4]。
遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线,对目标进行探测和识别的技术。遥感卫星是搭载了相关遥感传感器,利用遥感器收集地球或大气目标辐射或反射 的电磁波信息,并记录下来,由信启、传输设备发送回地面,通过电磁波转换、识别得到可视图像,即我们常说的卫星图像。
计算机视觉几乎渗透到每个行业。ImpactVision正在利用机器学习和高光谱成像技术,将光谱学和计算机视觉相结合,自动评估工厂和其他地方的食品质量。
本期分享的内容,为一本厚度为235页的学习资料。内容包括高光谱遥感、高分辨率影像处理、计算智能及其在遥感影像处理中的应用、影像处理工程、遥感应用和模式分析与机器学习等。很适合遥感领域的学生学者去学习和加深对遥感领域的理解,资料供分为18章节,每一章都值得研究和学习,章节内容包括研究概述、研究意义、应用、已取得的成、发展前景和入门资料的推荐等。该学习资料本人强烈推荐学习,希望能够本次料能够开阔你的事业并激发你的学习兴趣。(资料为张良培团队(张良培、钟燕飞、沈焕锋、黄昕、罗斌、夏桂松、杜博、张洪艳、袁强强和张乐飞等)在其主页上公布的主要研究方向介绍。)
本文介绍我们在 NeurIPS 2023 上的新工作 《Binarized Spectral Compressive Imaging》
高光谱遥感可应用在矿物精细识别(比如油气资源及灾害探测)、地质环境信息反演(比如植被重金属污染探测)、行星地质探测(比如中国行星探测工程 天问一号)等。
本文介绍基于AvaSpec-ULS2048x64光纤光谱仪测定植被、土壤等地物高光谱曲线的方法。
在地球观测领域,遥感技术已经成为我们获取地表信息的重要手段。而遥感分辨率,作为衡量遥感图像质量的关键指标,直接影响着我们对地球表面特征的理解和分析。今天,让我们一起深入探讨光学遥感卫星分辨率的奥秘,了解它如何塑造我们对地球的认知。
本文介绍我们 NeurIPS 2022 关于 Spectral Compressive Imaging (SCI)重建的工作:
本文介绍我们 NeurIPS 2022 关于 Spectral Compressive Imaging (SCI)重建的工作:《Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging》。
使用createImagePatchesFromHypercube函数,将高光谱图像分割成大小为25×25像素、具有30个通道的Patches。
以“pylab”模式启动IPython。命令行输入:ipython --pylab 将以下代码(注意修改数据集路径)复制到ipython命令窗口中,回车。 这个时候,会弹出Hypercube的窗体,就可以看到绘制的3D图像了。
PIE作为中国地理信息中第一个云计算平台,已经公开一年了,但是现在开始了商业化服务,所以有差别的商业运作确实对于免费的GEE来说基本上无法媲美,但是也有很多GEE无法媲美的,就是很多国产卫星数据中例如高分影像,风云数据等。
遥感成像技术在过去几十年取得显着进步。现代机载传感器在空间、光谱和分辨率上的不断提升,已经能覆盖地球表面大部分范围,因此遥感技术在生态学、环境科学、土壤科学、水污染、冰川学、土地测量和分析等众多研究领域发挥着至关重要的作用。由于遥感数据通常是多模态的、位于地理空间(地理定位)中,并且尺度通常是全球范围、数据规模也在不断增长等等,这些特性都为遥感成像的自动分析带来独特的挑战。
农业、飞机、棒球钻石、海滩、建筑物、丛林、密集住宅、森林、高速路口、高尔夫球场、港口、路口、中型住宅、移动房屋公园、立交桥、停车场、河、跑道、稀疏住宅、储油罐、网球场
前面几篇博客介绍了基于Landsat这一多光谱遥感图像数据的多种地表温度(LST)反演方法,大家可以参考博客1[1]、博客2[2]、博客3[3];那么接下来,我们就将基于比多光谱数据可以说是更进一步的高光谱卫星数据——大名鼎鼎的Hyperion数据,进行多种其他地表参数的反演。其中,在此之前可以先了解一下国内外主流的星载高光谱传感器及其平台的相关信息[4]。
高分专项启动实施8年来,高分卫星数据已替代进口,自给率达80%,突破了长期依赖国外数据的局面,本期详细介绍下高分系列卫星。
---- 新智元报道 编辑:桃子 拉燕 【新智元导读】昨天上午11时06分,中国学生团队成功研制的卫星「启明星」拼车成功,随着长征八号运载火箭一起升空。 2月27日11时06分,长征八号运载火箭以「一箭22星」的方式成功发射。 殊不知,22星当中有一星还是由武汉大学中国学生团队研发。这颗星叫「启明星」。14时11分收到「启明星」卫星遥测信号,卫星信号稳定,工作正常。在武大宇航科学与技术研究院「启明星」发射及测控第二现场,参与研制的老师和学生一同分享喜悦。 「学生造」卫星 当天,武汉大学公号也公
今年8月,小米的人形机器人CyberOne正式亮相,小名叫铁大。它是一个比较轻量级的机器人,1.77米的身高,只有54KG。不过从当时它的步履蹒跚,看上去比马斯克Optimus还是要差点。不过铁大自己也承认:“我刚刚学会走路,下盘还不太稳,正在练习扎马步。”
Gustau Camps-Valls小组开设的视觉科学、机器学习和图像处理课程资料学的学习与分享。这些课程与他的研究密切相关,课程适合大学(遥感、电子工程和神经科学硕士),以及视觉科学(IOBA)博士和硕士课程和计算机视觉硕士课程。课程的详细介绍如下(包含:详细的PPT讲义和Matlab代码):
ACEPOL 研究扫描偏振计(RSP)遥感数据(ACEPOL_AircraftRemoteSensing_RSP_Data)是在 ACEPOL 期间由 ER-2 上的研究扫描偏振计(RSP)收集的遥感测量数据。为了更好地了解气溶胶对气候和空气质量的影响,测量气溶胶的化学成分、粒度分布、高度剖面和光学特性至关重要。在遥感仪器方面,通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合,可以获得最广泛的气溶胶属性集合。2017 年秋季,由美国国家航空航天局(NASA)和荷兰空间研究所(SRON)联合发起的 "偏振计和激光雷达气溶胶特征描述(ACEPOL)"活动从 NASA 的高空 ER-2 飞机上对美国上空的气溶胶和云层进行了测量。飞机上部署了六台仪器。其中四台是多角度偏振计:机载超角彩虹偏振计(AirHARP)、机载多角度光谱偏振成像仪(AirMSPI)、机载行星探测光谱仪(SPEX Airborne)和研究扫描偏振计(RSP)。另外两台仪器是激光雷达:高光谱分辨率激光雷达 2(HSRL-2)和云物理激光雷达(CPL)。ACEPOL 的运行基地设在美国宇航局位于加利福尼亚州帕姆代尔的阿姆斯特朗飞行研究中心,从而能够观测各种场景类型,包括城市、沙漠、森林、沿海海洋和农业区,以及晴朗、多云、污染和原始大气条件。ACEPOL 的主要目标是评估不同偏振计检索气溶胶和云层微物理和光学参数的能力,以及它们推算气溶胶层高度的能力(近紫外偏振测量法,O2 A 波段)。ACEPOL 还侧重于开发和评估结合主动(激光雷达)和被动(偏振计)仪器数据的气溶胶检索算法。ACEPOL 数据适用于算法开发和测试、仪器相互比较以及主动和被动仪器数据融合研究,是遥感界准备下一代星载 MAP 和激光雷达任务的宝贵资源。
Meta-Transformer是一个用于多模态学习的新框架,用来处理和关联来自多种模态的信息,如自然语言、图像、点云、音频、视频、时间序列和表格数据,虽然各种数据之间存在固有的差距,但是Meta-Transformer利用冻结编码器从共享标记空间的输入数据中提取高级语义特征,不需要配对的多模态训练数据。该框架由统一的数据标记器、模式共享编码器和用于各种下游任务的任务头组成。它是在不同模式下使用未配对数据执行统一学习的第一次努力。实验表明,它可以处理从基础感知到实际应用和数据挖掘的广泛任务。
NASA正在发射一种原型仪器,它可以使监测火山活动和空气质量变得更加容易。栖息在距离地球表面约300英里(480公里)的CubeSat上的Nanosat Atmospheric Chemistry Hyperspectral Observation System(简称NACHOS)将使用一个紧凑的高光谱成像仪来定位小至0.15平方英里(0.4平方公里)区域的微量气体来源--约相当于明尼苏达州的美国商城的大小。
Osco, L. P., Junior, J, M., Marques Ramos, A, P., de Castro Jorge, L, A., Fatholahi, S. N., Waterloo, O. C., de Andrade Silva, J., Matsubara, E. T., Gonçalves, W. N., Li, J. (2021) A Review on Deep Learning in UAV Remote Sensing. https://arxiv.org/abs/2101.10861
ACEPOL_MetNav_AircraftInSitu_Data是ACEPOL期间在ER-2上收集的现场气象和导航测量数据。为了更好地了解气溶胶对气候和空气质量的影响,测量气溶胶的化学成分、粒度分布、高度剖面和光学特性至关重要。就遥感仪器而言,通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合,可以获得最广泛的气溶胶属性集合。2017年秋季,由美国国家航空航天局(NASA)和荷兰空间研究所(SRON)联合发起的 "偏振计和激光雷达气溶胶特征描述(ACEPOL)"活动从NASA高空ER-2飞机上对美国上空的气溶胶和云层进行了测量。飞机上部署了六台仪器。其中四台是多角度偏振仪:机载超角彩虹偏振仪(AirHARP)、机载多角度光谱偏振成像仪(AirMSPI)、机载行星探测光谱仪(SPEX Airborne)和研究扫描偏振仪(RSP)。另外两台仪器是激光雷达:高光谱分辨率激光雷达 2(HSRL-2)和云物理激光雷达(CPL)。ACEPOL 的运行基地设在美国宇航局位于加利福尼亚州帕姆代尔的阿姆斯特朗飞行研究中心,从而能够观测各种场景类型,包括城市、沙漠、森林、沿海海洋和农业区,以及晴朗、多云、污染和原始大气条件。ACEPOL 的主要目标是评估不同偏振计检索气溶胶和云层微物理和光学参数的能力,以及它们推算气溶胶层高度的能力(近紫外偏振测量法,O2 A 波段)。ACEPOL 还侧重于开发和评估气溶胶检索算法,将主动(激光雷达)和被动(偏振计)仪器的数据结合起来。ACEPOL 数据适用于算法开发和测试、仪器相互比较以及主动和被动仪器数据融合研究,这使其成为遥感界准备下一代星载 MAP 和激光雷达任务的宝贵资源。
随着人工智能的发展和落地应用,以地理空间大数据为基础,利用人工智能技术对遥感数据智能分析与解译成为未来发展趋势。本文以遥感数据转化过程中对观测对象的整体观测、分析解译与规律挖掘为主线,通过综合国内外文献和相关报道,梳理了该领域在遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别、遥感数据关联挖掘以及遥感开源数据集和共享平台等方面的研究现状和进展。首先,针对遥感数据精准处理任务,从光学、SAR等遥感数据成像质量提升和低质图像重建两个方面对精细化处理研究进展进行了回顾,并从遥感图像的局部特征匹配和区域特征匹配两个方面对定量化提升研究进展进行了回顾。其次,针对遥感数据时空处理与分析任务,从遥感影像时间序列修复和多源遥感时空融合两个方面对其研究进展进行了回顾。再次,针对遥感目标要素分类识别任务,从典型地物要素提取和多要素并行提取两个方面对其研究进展进行了回顾。最后,针对遥感数据关联挖掘任务,从数据组织关联、专业知识图谱构建两个方面对其研究进展进行了回顾。
完整的辐射校正包括遥感器校准、大气校正、太阳高度和地形校正。本文主要介绍辐射校正基本概念及区分辐射校正、辐射定标、大气校正。
本文整理自NVIDIA讲座《Empower Your Industrial Edge AI applications with NVIDIA Jetson》
这21篇文章中方向以做图像超分辨率居多有10篇,视频超分辨率3篇,人脸超分辨率2篇,特定领域超分辨率即深度图、光场、高光谱图像超分辨率各1篇,零样本超分辨率1篇,探索专用于超分辨率的数据增广方法的1篇,最后还有一篇超分辨率技术的有趣应用:语义分割1篇。
让机器能像白天一样识别周围的环境,完成测距等一系列任务,对于自动驾驶等行业来说是革命性的突破。
近年来,随着卫星技术的发展和深度学习的火热,基于深度学习的遥感影像智能解译得到了前所未有的关注,并已成功应用于建筑物变化检测、SAR影像船舶检测、道路提取、多光谱影像分类等任务中。高精度、高速度、自动化的特点为其带来广阔的发展前景。
摘要:氮(N)是植物自养的重要特征,是影响陆地生态系统植物生长的主要养分,因此不仅具有根本的科学意义,而且还是作物生产力的关键因素。对冠层氮浓度(N%)进行及时的非破坏性监测需要快速且高度准确的估算,通常使用400-2500 nm光谱区域中的光谱分析法对其进行量化。然而,由于冠层结构混杂,从冠层光谱中提取一组有用的光谱吸收特征来确定N%仍然具有挑战性。深度学习是一种统计学习技术,可用于从冠层光谱中提取生化信息。我们评估了一维卷积神经网络(1D-CNN)的性能,并将其与两种最新技术进行了比较:偏最小二乘回归(PLSR)和高斯过程回归(GPR)。我们利用8年(2009年至2016年)整个新西兰的奶牛场和丘陵农场的大型,多样化的田间多季节(秋季,冬季,春季和夏季)光谱数据库(n = 7014)来开发特定季节和特定于频谱区域(VNIR和/或SWIR)的1D-CNN模型。独立验证数据集(未用于训练模型)的结果表明,一维CNN模型提供的准确度(R2 = 0.72; nRMSE%= 14)比PLSR(R2 = 0.54; nRMSE%= 19)和GPR(具有R2 = 0.62;nRMSE%= 16)。基于1D-CNN的特定季节模型显示出明显的差异(测试数据集为14≤nRMSE≤19),而测试数据集的所有季节组合模型的性能仍然更高(nRMSE%= 14)。全光谱范围模型显示出比特定光谱区域模型(仅VNIR和SWIR)更高的准确性(15.8≤nRMSE≤18.5)。此外,与PLSR(0.31)和GPR(0.16)相比,使用1D-CNN得出的预测更精确(不确定性更低),平均标准偏差(不确定区间)<0.12。这项研究证明了1D-CNN替代传统技术从冠层高光谱光谱中确定N%的潜力。
BM3D(Block-matching and 3D filtering,3维块匹配滤波) 2007-TIP-Image denoising by sparse 3D transform-domain collaborative ltering
9月25日至9月28日期间,用户在微信启动时,可以欣赏到由我国新一代静止轨道气象卫星“风云四号”从太空拍摄的祖国全景。这也是6年来微信启动页面首次发生变化,启动页背景中的地球图片由非洲大陆上空视角,变
Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection
除了上述这几大AI学术研究要点之外,还有宽度学习(BLS)网络也值得重点关注。宽度学习(BLS)自2018年由我们(陈俊龙教授及其团队)首次在学术界提出,便迅速在科研机构(中科院)、国内知名高校及企业展开了较为广泛的研究与应用。
尽管高光谱图像(hyperspectral image,HSIs)在执行各种计算机视觉任务中的重要性已被证明,但由于在空间域中具有低分辨率(LR)属性,其潜力受到不利影响,这是由多种物理因素引起的。
在我们所获得的遥感影像原始数据中,每一个像素对应的像元值往往是未经明确量化、没有统一量纲的数据(DN值,即Digital Number);而当我们需要利用遥感影像的信息对地物属性进行分析时,则往往需要其辐射亮度值、反射率值等。因此,我们首先需要通过“辐射定标”操作实现上述数据之间的转换。
通过克服传统解决方案中的“重影”问题,这种方法在基准测试中一显巨大优势,不仅能像白天一样看清环境的纹理和深度,还能感知到RGB、热视觉以外的各种物理信息,可谓相当利好机器感知尤其是自动驾驶行业。
PCA-Principle Component Analysis 主成分分析
ENVI是一款专业的遥感图像分析软件,可以帮助我们对卫星遥感图像进行各种复杂的分析和处理。如果你是一名遥感工作者或者需要处理遥感图像,那么ENVI将是你的不二选择。
摘要:开发者福利——谷歌放出AR/VR开源库,C++Lullaby;“珠海一号”已入酒泉发射场,助力我国卫星大数据普及。更多精彩资讯,尽在本期D-News! 后台回复“播报”2字加入我们。 业界巨头 开发者福利:谷歌放出AR/VR开源库,C++Lullaby C++Lullaby是谷歌最新推出的一款用于帮助AR和VR开发者能够行之有效的利用数字化的方式在虚拟世界中进行各项创作,并展开初步交互的一款基于ECS架构的开源库。据了解该开源库包含:专为开发VR/AR应用程序而设计的高性能C++库;支持完整的3D V
遥感(Remote Sensing,缩写为RS)是指非接触式、远距离的探测技术。遥感技术通常使用航空航天平台、按照特定的波段对地球或其他天体进行成像观测,通过分析观测数据,探测地球或其他天体资源与环境。遥感技术在现代化社会中十分重要,它能够在一定程度上体现一个国家的经济实力和科技水平,故一直受到世界大国的高度重视。自从美国的陆地卫星Landat-1和法国的SPOT-1卫星相继升空,世界进入了高分辨率遥感技术发展和应用的新时代。2001年,美国发射的QuickBird卫星可采集分辨率为0.61m/像素的全彩色图像和2.44m/像素的多光谱图像,标志着世界进入“亚米级”高空间分辨率[2]遥感时代。在20世纪80年代后,我国遥感技术也进入飞速发展时期。风云气象卫星和资源系列卫星的成功发射为我国卫星遥感事业的发展奠定了坚实的基础。2006年到2016年间,我国陆续将遥感卫星一号到遥感卫星三十号共30个卫星送入太空,这些卫星在我国国土资源普及、防灾减灾等领域发挥了重要的作用。2013年到2018年间,我国相继将高分一号到高分六号等高分辨率卫星送入太空,其在国土统计、城市规划、路网设计、农作物估计和抗灾救援等领域取得了突出的成就。
领取专属 10元无门槛券
手把手带您无忧上云