文献名/代码开源/推荐

研究类型

数据集

对象

实验环境

实验方法

亮点

Improving the accuracy of spring phenology detection by optimally smoothing satellite vegetation index time series based on local cloud frequency (否)（3）

植被

ground PhenoCam data

植被物候

软件

本研究设计了两个模拟实验，即（1）仅使用最大值组合（MVC）和（2）同时使用MVC和平滑滤波器平滑增强植被指数（EVI）时间序列，以检测北半球（30°N以北）春季物候，即季节开始（SOS）在5°×5°网格单元的基础上，采用拐点和相对阈值算法。

结果表明，MVC和平滑滤波器的最优参数具有显著的空间异质性，因此，MVC和平滑滤波器的局部最优参数应用于从卫星VI时间序列检测北半球的植被物候指标，特别是对于具有不同云频率的区域，而不是使用全局统一参数。这项研究为今后的研究提供了指导，以便在使用MVC和过滤过程平滑物候检测的VI时间序列时设置适当的参数，并将有利于大规模生成卫星物候产品。

Identification of mining induced ground fissures using UAV and infrared thermal imager: Temperature variation and fissure evolution（否）（3）

矿区

Inner Mongolia UAV data

矿区裂缝

软硬结合

在本研究中，提出了一种利用无人机（UAV）上的红外遥感进行地裂缝识别和勘探的新方法（依据不同地物的不同辐射温度）。

利用该方法，对上湾煤矿12401长壁工作面中部正上方的地裂缝感兴趣区域（ROI）进行了昼夜连续监测。还进行了地裂缝性质的直接现场测量，以提供无人机测量的校准数据集。以下午5:00的直接可见光图像为参考，从下午9:00到次日上午5:00的红外图像获得的裂缝I的长度和最大宽度的平均误差估计分别为1.8%和6.5%。裂隙温度的日变化为正弦曲线，随着深度的增加，裂隙温度的变化范围减小。根据裂隙与含水层或采空区的直接联系，两种常见裂隙类型之间存在明显差异。

可识别大部分矿区裂缝

MMFF: Multi-manifold feature fusion based neural networks for target recognition in complex-valued SAR imagery（否）（4）

雷达图像

MSTAR

OpenSARShip 2.0

船舶

软件

本文提出了一种基于多流形特征融合（MMFF）的深度学习框架，用于复数合成孔径雷达（SAR）图像的自动目标识别（ATR）。该模型基于振幅和相位数据的并行流形卷积分支，同时考虑了复值SAR数据的基本几何结构和多模态信息，学习军用和民用目标的多种特征，用于识别任务。此外，我们还研究了多值层，如激活函数和批处理规范化，以利用MMFF体系结构和多模态数据。

与之前提出的实数、复数和流形值基线相比，我们在更少的模型参数下实现了明显更好的分类性能。

RectMatch: A novel scan matching method using the rectangle-flattening representation for mobile LiDAR systems(否)（3）

自然场景

KITTI and Ford datasets

多类型地貌

软件

本文介绍了一种称为矩形展平表示的表达特性，以提高可靠性。首先，我们提出了一种基于密度、方向和展平的聚类方法，该方法允许区域以“平面优先，线条第二，较少展平的结构最后”的方式增长。该方法可以从缺少平面的环境中提取矩形。其次，我们开发了一个平方点到矩形的距离函数，该函数是分段的，但连续可微，以利用矩形展平表示进行扫描匹配。与传统的点对面或面对面残差函数不同，点对面残差函数依赖于其他方向的平面来提供平移信息，我们的点对矩形距离函数本质上是平移感知的。

只有RectMatch在两个数据集中的整体扫描匹配成功率超过90%，甚至超过95%。鲁棒性测试表明，RectMatch能够更好地处理随机异常值和高斯噪声。为了全面评估针对MLSs的RectMatch，第三个测试采用了五个公开可用的数据集，使用不同的激光扫描仪在跨不同环境的多个平台上进行。结果表明，该算法具有较高的可靠性和准确性。

Multi-scale adversarial network for vehicle detection in UAV imagery（否）（4）

车

UAVDT dataset

VisDrone dataset

车辆检测

软件

为了解决无人机图像多样性带来的车辆检测挑战，我们试图使用遥感图像作为定位点，在不同视点、照明、天气和背景之间对齐特征。根据这个域自适应概念，我们提出了一个多尺度对抗网络，由一个深度卷积特征抽取器、一个多尺度鉴别器和一个车辆检测网络组成。具体而言，特征提取程序是一个暹罗网络，其中一条路径用于无人机图像，另一条路径用于卫星图像。该子网络中的共享权重允许我们利用大量标记的遥感图像，以改进无人机图像中的车辆检测。

实验结果表明，该算法提高了UAVDT数据集和VisDrone数据集的车辆检测精度。该模型在不同视角、不同高度和不同成像情况下拍摄的图像中取得了很好的效果。

Cross-domain road detection based on global-local adversarial learning framework from very high resolution satellite imagery（否）（3）

道路

SpaceNet and DeepGlobe

Boston,Birmingham, Shanghai, and Wuhan.

道路检测

软件

提出了一种全局局部对抗学习（GOAL）框架用于跨域道路检测。一方面，考虑到源域和目标域之间的空间信息相似性，采用特征空间驱动的对抗式学习来探索跨域的共享特征。另一方面，VHR遥感图像的复杂背景，如树木和建筑物的遮挡和阴影，使一些道路易于识别，而另一些道路则更难识别。然而，传统的全局对抗学习方法不能保证局部语义的一致性。因此，引入了一种局部对齐操作，该操作根据道路识别难度自适应调整对抗损失的权重。

例如，以SpaceNet道路数据集为源域，在DeepGlobe、Boston、伯明翰、上海和武汉图像上，与无自适应方法相比，目标框架的IOU性能分别提高了14.36%、5.49%、4.51%、5.63%和15.14%，显示了其较强的泛化能力。

Illumination-invariant road detection and tracking using LWIR polarization characteristics（否）（3）

道路

DoFP infrared road scene dataset 自采

道路检测

软硬结合

本文提出了一种基于长波红外光谱中道路偏振特性的道路检测与跟踪技术。传统的基于视觉的道路检测技术通常应用颜色和纹理信息，这在夜间低照度条件下往往表现不佳。分焦平面（DoFP）红外偏振成像技术可使用单眼摄像机实时采集道路的偏振特性，以进行昼夜操作。长波红外中道路的偏振特性体现了道路区域偏振角（AoP）的零分布和道路与车辆之间的偏振度差（DoP）。提出了一种基于长波红外偏振特性的道路检测与跟踪方案，该方案利用了道路区域与背景之间的偏振特性差异，以及强度和时间信息。我们还构建了一个LWIR DoFP道路场景数据集（LDDRS），该数据集由2113幅手动注释的图像组成。在LDDRS数据库上的实验表明，该方法的IoU性能分别比两个最先进的实时语义分割网络FANet-34和SwiftNet高1.4%和2.1%。

高精度的检测结果以及构建了自己的道路数据集

文献名/代码开源/推荐

研究类型

数据集

对象

实验环境

实验方法

亮点

Phase unmixing of TerraSAR-X staring spotlight interferograms in building scale for PS height and deformation

（否）（2）

建筑

SRTM

ASTER GDEM

TanDEM-X DEM

建筑高度

软件

为了实现TerraSAR-X凝视聚束干涉图的高度估计和相位展开，提出了一种TerraSAR-X凝视聚束干涉图相位分解的工作流程。

PS高度是在基线域而不是空间域中估计的。考虑到每个连接的长度和高度变化，调整空间相位展开网络，并将其分割为孤立网络。利用图论可以识别调整后的空间相位展开网络的连通分量。空间相位展开在单个网络中实现。展开高度阶段与展开阶段分离，其余阶段以变形为主。

本研究证明了所提出的基于最小二乘参数搜索和图形分割的工作流程在城市地区的可行性

Appearance based deep domain adaptation for the classification of aerial images（否）（3）

城市

Schleswig

Hameln

Buxtehude

Buxtehude

Nienburg

地物分类

软件

本文提出了一种基于外观的域自适应方法，利用深度神经网络（DNN）对遥感数据进行像素级分类，以降低DNN对训练数据可用性的要求。我们关注的是标记数据仅在源域中可用，而在目标域中不可用的设置，即计算机视觉中的无监督域自适应。我们的方法是基于一个外观适应网络（AAN）的对抗性训练，该网络将图像从中转换，使其看起来像来自的图像。转换后的图像与来自的原始标签映射一起用于使DNN适应。我们提出了AAN和分类器的联合训练策略，该策略约束AAN变换图像以使其正确分类。为了进一步提高自适应性能，我们提出了一种新的用于对抗训练的鉴别器网络正则化损耗。我们还解决了寻找训练网络参数的最优值的问题，提出了一种新的基于无监督熵的参数选择准则，该准则补偿了没有可监测的验证集这一事实。作为一个小贡献，我们提出了一种新的交叉熵损失加权策略，解决了类分布不平衡的问题。

它不依赖于周期一致性或跨周期一致性来实现外观适应中的语义一致性，而是通过外观适应和分类网络的联合训练来实现语义一致性。设计了一个新的域鉴别器正则化项，以缓解源域和目标域中标签分布不同的问题。

A novel semi-supervised method for airborne LiDAR point cloud classification（否）（3）

自然环境

ISPRS Vaihingen dataset

DFC 3D dataset

地物分类

软件

在本文中，为了减少对大规模密集标注的需求，我们引入了一种半监督的机载激光雷达点云分类方法，该方法只需要在模型训练期间标记一小部分点。为了实现这一目标，我们引入了一个屏蔽监控模块，它只从几个标记点提供监控信号。然后，引入了三个无监督的监督模块，以鼓励学习特征的全局上下文一致性、转换一致性和空间平滑性。

减少了对大规模密集标注的需求，提升了分类准确率

Exploring Sentinel-1 and Sentinel-2 diversity for flood inundation mapping using deep learning（否）（4）

水

Flood（Cloud to Street）

洪水淹没制图

软件

本研究通过建立完善的水指数和哨兵1（S1）衍生SAR图像及其组合，探索哨兵2（S2）不同波段的使用，以评估其生成准确洪水淹没图的能力。S-1和S-2波段组合性能的稳健性通过使用446幅手标洪水淹没图像进行评估，这些图像跨越了Sen1Floods11数据集的11次洪水事件，这些数据集在土地覆盖和位置方面具有高度多样性。采用改进的K-折叠交叉验证方法，使用称为U-Net的全连接深度卷积神经网络，评估32种S1和S2波段组合的性能。

高程信息的使用提高了S1图像生成更准确洪水淹没图的能力。

Mapping dominant leaf type based on combined Sentinel-1/-2 data – Challenges for mountainous countries(否)（3）

树林

Sentinel-1 (S1) backscatter data

cloud-free summer Sentinel-2 (S2) images

Airborne Laser Scanning (ALS)-based Digital Terrain Model (DTM)

树林叶型绘制

软件

开发了一种新的工作流程，该流程使用航空图像判读的参考数据，具有鲁棒性、成本效益和高度自动化。采用两种基于随机森林（RF）和深度学习（UNET）的机器学习方法，在全国范围内使用三组预测变量。基于坡向和坡度类别的24个分区被应用于探索复杂山区地形对模型性能的影响。

实现了精确度的提高

LidarCSNet: A Deep Convolutional Compressive Sensing Reconstruction Framework for 3D Airborne Lidar Point Cloud(3)(否)

森林、城市

open lidar data（UP DREAM）

图像重构

软件

我们的工作提出了一种新的基于卷积神经网络的深度压缩传感网络（称为LidarCSNet），用于使用菲律宾公开的3D激光雷达点云生成稀疏表示。我们对不同采样率{4%、10%、25%、50%和75%}的重建进行了广泛的评估，我们观察到，我们提出的LidarCSNet重建了3D激光雷达点云，在75%的采样率下，最大峰值信噪比为54.47 dB。我们以峰值信噪比、Haussdorf距离、Pearson相关系数和Kolmogorov-Smirnov检验统计量作为三维重建的评估指标，研究了基于3D机载激光雷达点云的新型LidarCSNet框架在森林和城市环境两个领域的功效。

提出了两种新的三维激光雷达点云分类框架，LidarNet和LidarNet++，与其他著名的激光雷达分类框架相比，实现了90.6%的最大分类精度。分类精度的提高归因于基于所提出的新3D特征堆栈的集成学习，并证明了使用我们提出的LidarCSNet进行近完美重建然后进行分类的鲁棒性。

文献名/代码开源/推荐

研究类型

数据集

对象

实验环境

实验方法

亮点

A downscaled bathymetric mapping approach combining multitemporal Landsat-8 and high spatial resolution imagery: Demonstrations from clear to turbid waters（否）（2）

海洋

Luhuitou Bandao

Xisha Qundao

Oahu Island

水深

软件

在本研究中，我们开发了一种缩尺水深测绘方法（DBMA），该方法使用多时相Landsat-8数据估算的水深，在缺乏现场水深数据的情况下，校准高空间分辨率图像（如Sentinel-2A/B、高分-1/2、紫苑-3和WorldView-2）的经验模型。我们的研究结果表明，DBMA对清水的深度范围为0到12m（浊水为0到5m）提供了高精度，均方根误差（RMSE）小于2m。

DBMA提供了一种可靠的解决方案，可以在缺乏现场数据的情况下获得高空间分辨率的测深图，而不会遗漏小区域。

Integrating spatio-temporal-spectral information for downscaling Sentinel-3 OLCI images（否）（2）

卫星

Sentinel-2 and -3 data

卫星图像融合

软件

本文介绍了一种新的融合框架，该框架集成了时空光谱信息，用于缩小Sentinel-3 OLCI图像的尺度。该框架分为两部分。基于具有相似波长的波段（即，Sentinel-2的波段2、3、4和8a以及Sentinel-3的波段Oa4、Oa6、Oa8和Oa17），通过对Sentinel-2 MSI和Sentinel-3 OLCI图像应用时空融合，首先将四个Sentinel-3波段缩小到Sentinel-2图像的空间分辨率。然后，为了充分利用Sentinel-3图像的所有21个可用OLCI波段，本文提出了基于扩展图像对的空间光谱融合（EIPSSF）方法来缩小其他17个波段。

EIPSSF基于扩展图像对（EIP）的新概念并通过利用现有的时空融合方法来执行。由时空和空间光谱融合组成的框架是完全通用的，它为Sentinel-3 OLCI图像的全面降尺度提供了一个实用的解决方案，用于精细的空间、时间和光谱分辨率监测。

文献名/代码开源/推荐

研究类型

数据集

对象

实验环境

实验方法

亮点

A practical approach to reconstruct high-quality Landsat NDVI time-series data by gap filling and the Savitzky–Golay filter（否）（3）

植被

Coleambally irrigated area

Taian cultivated area

植被

检测

软件

在本研究中，我们开发了一种简单但有效的间隙填充和Savitzky–Golay滤波方法（称为“GF-SG”）来重建高质量的陆地卫星NDVI时间序列数据。这种新方法首先通过整合MODIS NDVI时间序列数据和无云陆地卫星观测数据，在原始陆地卫星NDVI时间序列数据中填充缺失值，生成合成NDVI时间序列。然后，设计加权Savitzky-Golay滤波器去除合成时间序列中的残余噪声。

这种新的GF-SG方法优于其他三种典型方法（IFSDAF、STAIR和FF），有三个明显的改进。首先，GF-SG重建具有长期连续缺失值的陆地卫星NDVI时间序列更可靠；第二，GF-SG受陆地卫星云图中云检测误差的影响较小；第三，这种简单的新方法可以在GEE平台上实现。

Recurrent neural networks for atmospheric noise removal from InSAR time series with missing values（否）（4）

大气

synthetic data

Hong Kong International Airport (HKIA) real-world data

大气噪声去除

软件

本文提出了一种具有选通递归单元（GRU）的双向RNN，用于去除InSAR时间序列中的大气噪声。针对InSAR时间序列缺乏训练数据的问题，提出了一种基于物理的InSAR时间序列合成方法。所提出的GRU模型集成了一个GRU-D层来处理缺失值，并且所有模型组件都经过联合训练以生成去噪后的时间序列。此外，我们引入了季节因子（SF）信号作为辅助输入，以帮助模型更好地捕捉变形的季节性并改善去噪效果。

在合成数据集和HKIA真实数据集上的实验表明，我们提出的GRU模型比高斯滤波和其他RNN基线模型具有更好的去噪性能。

Global clear sky near-surface imagery from multiple satellite daily imagery time series（是）（3）

地表

Landsat-8 data

晴空近地表图

软件

我们开发了一种新的统计稳健自适应回归方法（SARM）来提取晴空真彩色图像，近似于从多个卫星每日图像时间序列中提取的近地表图像，同时避免云和云阴影造成的伪影。

公众可以更直接地解释和理解，并有助于各种卫星衍生数据的可视化和解释。

Developing bare-earth digital elevation models from structure-from-motion data on barrier islands(否)（3）

地表

Dauphin Island，自采

小岛地表制图

软硬结合

在这项研究中，我们使用植被和高程测量，从阿拉巴马州多芬岛（美国）两个地点的运动衍生高程产品的结构生成裸地数字高程模型。其中一个地点暴露于高波浪能量下，包括海滩、沙丘和障壁平地栖息地，这些栖息地主要由潮上/高地草本植被构成。第二个场地暴露于低波能量，主要为潮间带沼泽。航空图像收集于2018年秋末和2019年春。我们使用预测器测试了几种机器学习算法，用于预测和消除植被区域的高程偏差，预测器包括基于多光谱图像和景观位置信息（如相对地形和离岸距离）的未占用航空系统的光谱指数。为每个地点和季节开发了模型。

所有分析的误差估计值均在已公布的植被区激光雷达数据高程标准范围内。通过校准，该方法可以移植到其他区域或数据，如航空激光雷达（常规或无人使用），为监测地貌提供有效且可重复的框架，或为预测未来条件下这些环境的变化提供基线高程。

Tightly-coupled camera/LiDAR integration for point cloud generation from GNSS/INS-assisted UAV mapping systems（2）（否）

建筑

UAV dataset

LiDAR dataset

自采

图像集成

软硬结合

本研究提出了一种用于GNSS/INS辅助无人机系统的自动紧耦合相机/激光雷达集成工作流程。拟议战略分三个主要步骤进行。首先，使用LiDAR/GNSS/INS辅助的运动结构（SfM）策略生成基于图像的点云。然后，自动识别基于图像的点云和激光雷达点云之间的特征对应关系。最后，在估计系统校准参数和细化轨迹信息的同时，执行包括图像点、激光雷达原始测量和GNSS/INS信息的综合束调整程序，以最小化来自不同传感器的点云之间的差异。使用五个数据集对所提出的SfM策略和集成框架进行了评估。

SfM结果表明，使用激光雷达数据可以促进特征匹配，并进一步增加重建的三维点的数量。实验结果还表明，所开发的自动相机/激光雷达集成策略能够准确估计系统校准参数，以实现单个/多个系统的相机/激光雷达数据之间的良好对齐。积分过程后，图像/激光雷达点云的绝对精度达到3–5 cm。

Combining data-and-model-driven 3D modelling (CDMD3DM) for small indoor scenes using RGB-D data （否）（3）

室内物体

RGB-D data，自采

室内各种3D物体

软硬结合

本文首次提出了一种三维建模策略，称为结合数据和模型驱动的三维建模（CDMD3DM），用于使用RGB-D数据的室内场景中的规则小对象。

该方法的工作流程如下：使用数据驱动的Kinect v2生成初始三维点云数据；

基于深度学习的点云数据分割，提高了几何模型识别的准确性和自动化；

基于实例分割结果定义初始模型驱动参数；

基于广义点摄影测量理论，优化几何模型参数，在室内场景中生成单体模型，克服拓扑关系混乱和三维模型边缘不准确的缺点；

最后，融合数据驱动和模型驱动三维建模的结果

为解决三维建模中的问题，包括点云中的三维边缘不清晰、缺乏几何语义、三维模型之间的拓扑关系混乱以及传统模型驱动三维建模的自动化程度低，开发一种高精度和自动化单体三维建模方法。

Optimal scan planning with enforced network connectivity for the acquisition of three-dimensional indoor models（否）（2）

室内

cathedral of Cologne in Germany，自采

室内平面图

软硬结合

用于室内测量的激光扫描仪定位仍然是一个耗时且成本昂贵的过程。本文提出了一种优化方法，用于计算具有最小传感器视点位置数的容许传感器布置。该方法有助于基于研究对象的平面布置图进行墙壁和地板测量。通过求解一个整数线性规划来计算最优解，该整数线性规划符合制造商规范，并包含了约束条件，如全覆盖。为了实现扫描的后续共同注册，引入了基于流的约束公式，以确保在适当定义的几何相交图中选定位置的连通性.

与经常用于相关问题的启发式方法进行了比较。我们的解决方案在运行时间和TLS站点数量方面都优于启发式方法。在一个案例研究中，与专家生成的解决方案相比，我们的方法得到的解决方案至少少了两个站点。

A two-stage approach for road marking extraction and modeling using MLS point clouds（否）（3）

道路

MLS point clouds datasets，自采

道路轮廓

软硬结合

本文提出了一种从粗到精的两阶段目标检测和定位方法，用于从移动激光扫描（MLS）点云中自动提取和建模道路标记，该方法对反射强度、不同点密度和部分遮挡的变化具有鲁棒性。第一步是使用通用对象检测网络来检测边界框，边界框带有要素地图上道路标记的语义标签，其中包括有关强度、高程和到扫描仪的距离的信息。接下来，通过利用道路标记的标准几何结构和辐射外观的形状匹配操作符，在原始点云坐标系中确定候选道路标记的准确位置、方向和比例。最后，结合粗检测置信度和精细定位分数，使用重新排序算子获得最终的道路标线模型。

，对于从城市场景点云数据集中提取12种类型的道路标线，即使是磨损和不完整的道路标线，该方法的整体召回率和准确率分别为92.3%和95.1%。使用mIoU度量，建模性能为0.504。