satellite-image-deep-learning/techniques

무엇인가

위성 및 항공 이미지 분석에 특화된 딥러닝 기술, 모델, 알고리즘을 수집한 선별된 오픈소스 저장소입니다. 이는 참조 허브로, 기술의 긴 검색 가능한 목록과 연결된 예제 프로젝트로 구성되어 있습니다.

다루는 내용

저장소는 기술을 카테고리별로 구성합니다. 다음을 포함합니다:

• 분류 — 전체 이미지에 레이블을 할당합니다(예: '도시', '숲'). README는 이것이 픽셀 수준 분류(세그멘테이션)와 다르다고 언급합니다.
• 세그멘테이션 — 각 픽셀에 클래스 레이블을 할당하여 이미지를 레이블된 그리드로 변환합니다. 예: 도로/건물 세그멘테이션, 토지 이용 및 작물 유형 분류.
• 객체 탐지
• 회귀
• 구름 탐지 및 제거
• 변화 탐지
• 시계열
• 작물 분류
• 작물 수확량 및 식생 예측
• 생성 네트워크
• 오토인코더, 차원 축소, 이미지 임베딩 및 유사성 검색
• 퓨 샷 및 제로 샷 학습
• 자기 지도, 비지도 및 대조 학습
• SAR (합성 개구 레이더)
• 설명 가능한 AI (XAI)
• 대규모 비전 및 언어 모델 (LLM 및 LVM)
• AI 에이전트
• 기반 모델

각 카테고리에는 특정 GitHub 프로젝트에 대한 링크와 간단한 설명이 포함됩니다. 예를 들어, 분류 섹션에는 WaterNet(위성 이미지에서 물을 식별) 및 Road-Network-Classification(ResNet-34를 사용하여 도로 네트워크 분류)과 같은 프로젝트가 나열됩니다.

존재 이유

README는 딥러닝이 위성 및 항공 이미지 분석 방식을 바꾸었지만, 이러한 이미지는 고유한 과제를 제기한다고 설명합니다. 이미지가 매우 크고 다양한 객체 유형을 포함합니다. 이 저장소는 이러한 과제에 적합한 기술의 포괄적인 개요를 제공하기 위한 것입니다.

사용 방법

README는 Command + F(Mac) 또는 CTRL + F(Windows)를 사용하여 페이지를 직접 검색할 것을 제안합니다. 예를 들어, 'SAM'을 입력하여 관련 항목으로 이동합니다.

동반 웹사이트

저장소는 동반 사이트 satellite-image-deep-learning.com을 가리킵니다.

주목할 만한 세부 사항

• README에는 '하이퍼스펙트럴 토지 분류'로 표시된 많은 기사가 실제로 의미론적 세그멘테이션을 설명한다는 메모가 포함되어 있습니다.
• 신경망을 사용한 위성 이미지 분류 및 세그멘테이션에 대한 입문 기사 링크가 있습니다.
• 프로젝트는 적극적으로 유지 관리되며 매우 최신 항목(예: 기반 모델, AI 에이전트, 대규모 비전 및 언어 모델)을 포함합니다.