相关实验视频
Updated: Apr 23, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
990
Sen2GF3Floods:一个基准多源洪水数据集,带有双时间和主动学习注释
Wenting Chen1, Yueqin Zhu1,2, Wenlong Han1
1National Institute of Natural Hazards, Ministry of Emergency Management of China, Beijing, 100085, China.
Scientific data
|February 26, 2026
概括
一个新的数据集,Sen2GF3Floods,结合了Sentinel-2和Gaofen-3图像,以改进洪水检测. 该资源有助于开发用于应对灾害的先进洪水映射算法.
科学领域:
- 地球观测 地球观测
- 遥感 遥感 遥感 遥感
- 地理空间科学 地理空间科学
背景情况:
- 洪水灾害对全球社会经济系统和生态系统产生重大影响.
- 现有的洪水检测数据集在来源多样性,注释精度和规模方面存在局限性.
- 高质量的数据集对于推进洪水检测能力至关重要.
研究的目的:
- 介绍Sen2GF3Floods,这是第一个集成灾前的Sentinel-2光学图像和灾后的Gaofen-3合成孔径雷达 (SAR) 图像的数据集.
- 开发一个双时间协作注释框架,使用半自动标签和主动学习来提高准确性和效率.
- 为改善洪水检测算法和支持灾害响应提供全面的资源.
主要方法:
- 集成 Sentinel-2 的光学和 Gaofen-3 的 SAR 图像.
- 开发一个双时间协作注释框架,包括半自动标签和基于U-Net++的积极学习.
- 标准化了来自九个主要洪水事件的21,483个样本.
主要成果:
- 使用五种语义细分模型进行的基准评价显示了多源融合 (Sentinel-2 RGB/NIR和GF-3 HH/HV数据) 的强大的洪水映射性能.
- 积极学习有效地降低了注释成本,同时保持了数据质量.
- 在Gaofen-3SAR数据上训练的模型对Sentinel-1SAR数据具有很好的可转移性.
结论:
- Sen2GF3Floods是推动洪水检测算法的宝贵资源.
- 该数据集通过改进的洪水映射来支持运营和实时灾害响应.
- 多源数据融合和积极学习是增强洪水检测数据集的有效策略.
