satellite-image-deep-learning/techniques

它是什么

一个精选的开源仓库，收集专门用于分析卫星和航空图像的深度学习技术、模型和算法。它是一个参考中心——一个长长的、可搜索的技术列表，并链接到示例项目。

它涵盖的内容

该仓库将技术按类别组织，包括：

• 分类 — 为整张图像分配标签（例如，“城市”、“森林”）。README 指出这不同于像素级分类（分割）。
• 分割 — 为每个像素分配类别标签，将图像转换为带标签的网格。给出的示例：道路/建筑分割、土地利用和作物类型分类。
• 目标检测
• 回归
• 云检测与去除
• 变化检测
• 时间序列
• 作物分类
• 作物产量与植被预测
• 生成网络
• 自编码器、降维、图像嵌入与相似性搜索
• 少样本与零样本学习
• 自监督、无监督与对比学习
• SAR（合成孔径雷达）
• 可解释人工智能（XAI）
• 大型视觉与语言模型（LLM 与 LVM）
• AI 代理
• 基础模型

每个类别包含指向特定 GitHub 项目的链接及简要描述。例如，分类部分列出了 WaterNet（识别卫星图像中的水体）和 Road-Network-Classification（使用 ResNet-34 对道路网络进行分类）等项目。

它为什么存在

README 解释说，深度学习改变了卫星和航空图像的分析方式，但这些图像带来了独特的挑战——它们非常大，并且包含许多不同类型的对象。该仓库旨在提供针对这些挑战的技术的详尽概述。

如何使用它

README 建议使用 Command + F（Mac）或 CTRL + F（Windows）直接搜索页面——例如，输入“SAM”跳转到相关条目。

配套网站

该仓库指向一个配套网站：satellite-image-deep-learning.com。

值得注意的细节

• README 中包含一个说明，许多标记为“高光谱土地分类”的文章实际上描述的是语义分割。
• 它链接到关于卫星图像分类和分割的神经网络入门文章。
• 该项目积极维护，并包含非常新的条目（例如，基础模型、AI 代理、大型视觉与语言模型）。