satellite-imagery

Các kỹ thuật học sâu với hình ảnh vệ tinh và trên không

TorchGeo: tập dữ liệu, bộ lấy mẫu, phép biến đổi và mô hình được huấn luyện trước cho dữ liệu không gian địa lý

Phân đoạn ngữ nghĩa trên ảnh hàng không và vệ tinh. Trích xuất các đặc trưng như: tòa nhà, bãi đỗ xe, đường xá, nguồn nước, đám mây

Giao diện tương tác để duyệt ảnh vệ tinh độ phân giải đầy đủ trên toàn cầu

Danh sách tuyển chọn các công cụ, hướng dẫn, mã, dự án, liên kết tuyệt vời về Quan sát Trái đất, Hình ảnh Vệ tinh Địa không gian.

Bộ dữ liệu cho học sâu với hình ảnh vệ tinh và trên không

Danh sách các Chỉ số Phổ (Spectral Indices) được tuyển chọn sẵn sàng sử dụng cho các ứng dụng Viễn thám.

Đặc tả SpatioTemporal Asset Catalog - giúp các tài sản không gian địa lý có thể tìm kiếm và thu thập công khai

Tải xuống và xử lý hình ảnh vệ tinh bằng Python sử dụng các dịch vụ Sentinel Hub.

[CVPR26] TESSERA là mô hình nền tảng có thể xử lý hình ảnh vệ tinh chuỗi thời gian cho các ứng dụng như phân loại đất và dự đoán chiều cao tán cây. Được phát triển tại Đại học Cambridge, nó cho phép trích xuất hiệu quả các mẫu thời gian từ quan sát Trái đất.

Các notebook tương tác từ Planet Engineering

Danh sách các tập dữ liệu không gian địa lý mở có sẵn trên AWS, Earth Engine, Planetary Computer, NASA CMR và STAC Index

[IGARSS'22]: Mạng Siamese dựa trên Transformer để phát hiện thay đổi.

Kho lưu trữ này cung cấp danh sách toàn diện các tập dữ liệu vệ tinh radar và quang học được tuyển chọn cho các tác vụ phát hiện, phân loại, phân đoạn ngữ nghĩa và phân đoạn cá thể tàu thuyền. Các tập dữ liệu này lý tưởng cho các ứng dụng thị giác máy tính, học máy, viễn thám và phân tích hàng hải.

Danh sách chọn lọc các công cụ, bài hướng dẫn và API tuyệt vời cho dữ liệu vệ tinh Copernicus Sentinel

Triển khai ResUnet và ResUnet ++ bằng Pytorch

Chuỗi thời gian hình ảnh vệ tinh trong R.

Các Jupyter Notebook và công cụ Python mã nguồn mở để phân tích không gian địa lý với Digital Earth Australia, Open Data Cube và Xarray.