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。
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。
---- 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
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。
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
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。
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。）
Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection
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。
以下总结的是本周新出的作者声称“将开源”的论文，包含显著目标检测、遥感影像分类、人脸识别、基于视频的人员重识别、跨分辨率人员重识别、医学图像分割、transformer 在视频目标检测的应用等共计 11 篇。其中有一篇刚刚开源。
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。
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。
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。
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。
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。
在迈向通用人工智能（AGI）的诸多可能的方向中，发展多模态大模型（MLLM）已然成为当前炙手可热的重要路径。在 GPT4 对图文理解的冲击下，更多模态的理解成为学术界关注的焦点，通感时代真要来了吗？
在新型城市建设和规划中，以卫星遥感图像处理为代表的地理信息技术正在发挥非常重要的作用，通过对城市范围内的人、事件、基础设施和环境等要素全面感知、实时动态识别和快速目标提取，为智慧城市的建设提供更多有价值的信息。当前，基于人工智能的遥感图像处理技术已被广泛地应用在城市规划、违章建筑监管、工程环境监测、废弃物管理、交通治理、城市安防等场景。
本篇综述详细介绍了195篇与遥感无监督域适应相关的论文，已经被Remote sensing 2022收录。
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]。
最近发生的一起自动驾驶车辆致命事故引发了一场关于在自动驾驶传感器套件中使用红外技术以提高鲁棒目标检测可见性的辩论。与激光雷达、雷达和照相机相比，热成像具有探测红外光谱中物体发出的热差的优点。相比之下，激光雷达和相机捕捉在可见光谱，和不利的天气条件可以影响其准确性。热成像可以满足传统成像传感器对图像中目标检测的局限性。提出了一种用于热图像目标检测的区域自适应方法。我们探讨了领域适应的多种概念。首先，利用生成式对抗网络，通过风格一致性将低层特征从可见光谱域转移到红外光谱域。其次，通过转换训练好的可见光光谱模型，采用具有风格一致性的跨域模型进行红外光谱中的目标检测。提出的策略在公开可利用的热图像数据集(FLIR ADAS和KAIST多光谱)上进行评估。我们发现，通过域适应将源域的低层特征适应到目标域，平均平均精度提高了约10%。
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。
本文介绍我们在 NeurIPS 2023 上的新工作 《Binarized Spectral Compressive Imaging》
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。
不仅大量占用土地资源、耗费水资源，而且在维护草坪的时候大量使用化肥农药，会造成严重污染。
每周一期，纵览音视频技术领域的干货。 新闻投稿：contribute@livevideostack.com。 ✦ 一周简讯 ✦ 首个公开工作草案：Capture Handle - 屏幕共享时的引导协作 W3C WebRTC 工作组发布 Capture Handle — 屏幕共享时的引导协作首个公开工作草案： Capture Handle - Bootstrapping、Collaboration when Screensharing。 该文档提出了一种机制，如果 CAPTR 对 APP 正在运行的标签进行
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。
高尔夫球场，长期以来的高端社交地，但其存在的背后，却是对资源环境的侵袭。不仅大量占用土地资源、耗费水资源，而且在维护草坪的时候大量使用化肥农药，会造成严重污染。
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。
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]。
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
如今，照片逼真的编辑需要仔细处理自然场景中经常出现的颜色混合，这些颜色混合通常通过场景或对象颜色的软选择来建模。因此，为了实现高质量的图像编辑和背景合成，精确表示图像区域之间的这些软过渡至关重要。工业中用于生成此类表示的大多数现有技术严重依赖于熟练视觉艺术家的某种用户交互。因此，创建如此准确的显著性选择成为一项昂贵且繁琐的任务. 为了填补熟练视觉艺术家的空白，我们利用计算机视觉来模拟人类视觉系统，该系统具有有效的注意力机制，可以从视觉场景中确定最显着的信息。这类问题也可以解释为前景提取问题，其中显着对象被视为前景类，其余场景为背景类。计算机视觉和深度学习旨在通过一些选择性研究分支对这种机制进行建模，即图像抠图、显著目标检测、注视检测和软分割。值得注意的是，与计算机视觉不同，深度学习主要是一种数据密集型研究方法。
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。
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。
1、Object Detection in Fog Degraded Images
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。
懂业务+会选择合适的算法+数据处理+算法训练+算法调优+算法融合 +算法评估+持续调优+工程化接口实现
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。
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。
在开放和动态的环境中，目标检测面临如雨、雾和雪等具有挑战性的天气条件。基于深度学习的目标检测方法的快速发展显著提高了识别和分类物体的能力。得益于先进的特征提取和融合策略，跨模态目标检测方法已达到高精度，例如CFT（杨等人，2017年）、GAFF（杨等人，2017年）和CFR
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。
尽听说现在国内外一线互联网巨头，包括后起的独角兽，对 AI 人才的需求非常大，Google、Facebook 为了抢 AI 人才都快 battle 起来了。
图像超分辨率（SR）是指从低分辨率（LR）图像中恢复高分辨率（HR）图像的过程，是计算机视觉和图像处理中一种重要的图像处理技术。它在现实世界中有着广泛的应用，如医学成像、监控和安全等。除了改善图像的感知质量，它还有助于改善其它计算机视觉任务。总的来说，由于单个 LR 图像通常对应多个 HR 图像，因此这个问题比较具有挑战性。以往的文献中提到了多种经典的 SR 方法，包括基于预测的方法、基于边缘的方法、统计方法、基于 patch 的方法和稀疏表征方法等。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
