arxiv.org 关于Remote Sensing 中 Deep learning 的一篇Survey, 这样的文章我连续看了好几篇。
Segmentation,物体识别和追踪
- 这部分有还是建立在VHR(超高分辨率)图像上,无论是多光谱还是RGB和CV没有多大的差异。
天气预报
- 这块也是我关注的重点,仍旧是CNN结合LSTM 比较有意思,有一个预测降水的研究就是用FC和LSTM。
- 台风这块也很有趣,因为NOAA有很详尽的台风追逐数据,用CNN去识别VHR的云变化,然后融合检测数据追逐台风和预测。
自动标记和目标检测
- 这里基本就是transfer learning 的天下,得益于CV。识别植物这样的任务训练模型难度大大降低。数据本身和训练效率是反而比参数更需要考虑。
图像增加(Image Enhancement)语义标签(Semantic Labeling)
变化检测
- 这个是在目标检测的基础下,加入时序是一个自然的拓展。
降维
- 我没想到会把这个单独列出来,但是想想也很有趣,对于对光谱,例如文章举例的降192根据相关性分组然后每个组用一个cnn输出在连接两个FC做分类,解决HSI数据高维度的问题。
待续
|