원격 탐사

התחברות

תובנה - 원격 탐사

대규모 SAR 데이터에 대한 마스크드 오토인코딩 사전학습을 통해 하류 작업의 레이블 요구사항을 크게 줄일 수 있으며, 특히 사전학습 세트 외부 지역에서 성능 향상이 두드러짐.

다중 시간 관측 정보를 활용하여 위성 영상 세그멘테이션 성능을 크게 향상시킬 수 있다.

CDChat은 원격 탐사 이미지 간 변화를 효과적으로 설명할 수 있는 대규모 멀티모달 모델이다.

광학 위성 영상과 BRDF 모델링을 결합하여 복잡한 지표면의 반사 특성을 효과적으로 모델링하고, 이를 통해 고품질의 디지털 표면 모델을 생성할 수 있다.

이 연구는 원격 탐사 분야에서 일반화된 Few-Shot 의미 분할 과제와 벤치마크를 제안한다. 이를 통해 제한된 레이블 데이터에서 학습하는 딥러닝 모델의 성능을 향상시키고자 한다.

다양한 지역에서 작물 유형 매핑을 위한 기반 모델의 일반화 가능성을 연구하였다. 기반 모델 중 Sentinel-2 영상에 특화된 SSL4EO-S12가 가장 우수한 성능을 보였으며, 제한된 지역 데이터에서 OOD 데이터를 활용하는 것이 효과적임을 확인하였다.

ChangeChat은 다중 모달 지시 튜닝을 통해 변화 캡셔닝, 카테고리별 변화 정량화, 변화 위치 특정화 등 다양한 원격 탐사 변화 분석 작업을 수행할 수 있는 대화형 모델이다.

고해상도 다분광 위성 영상의 대기 보정을 통해 지표면 반사율을 정확하게 추출하고, 이를 활용한 반지도 학습 기반 LULC 분할 모델의 성능 향상

Sentinel-1/2 데이터와 건물 윤곽선 데이터를 결합하여 10미터 해상도의 건물 높이 추정 모델을 개발하고, 이를 통해 미국 내 주요 지역의 건물 높이 분포를 분석하였다.

위성 영상 데이터에서 텍스처 특징과 NDVI 비율을 활용하여 산림 지역을 정확하게 분류할 수 있는 정적 알고리즘을 제안한다.

אודות

מוצרים

מידע נוסף