elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Object Detection and Image Segmentation with Deep Learning on Earth Observation Data: A Review-Part II: Applications

Hoeser, Thorsten und Bachofer, Felix und Kuenzer, Claudia (2020) Object Detection and Image Segmentation with Deep Learning on Earth Observation Data: A Review-Part II: Applications. Remote Sensing, 12 (18), Seite 3053. Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/rs12183053. ISSN 2072-4292.

[img] PDF - Verlagsversion (veröffentlichte Fassung)
4MB

Offizielle URL: https://www.mdpi.com/2072-4292/12/18/3053

Kurzfassung

In Earth observation (EO), large-scale land-surface dynamics are traditionally analyzed by investigating aggregated classes. The increase in data with a very high spatial resolution enables investigations on a fine-grained feature level which can help us to better understand the dynamics of land surfaces by taking object dynamics into account. To extract fine-grained features and objects, the most popular deep-learning model for image analysis is commonly used: the convolutional neural network (CNN). In this review, we provide a comprehensive overview of the impact of deep learning on EO applications by reviewing 429 studies on image segmentation and object detection with CNNs. We extensively examine the spatial distribution of study sites, employed sensors, used datasets and CNN architectures, and give a thorough overview of applications in EO which used CNNs. Our main finding is that CNNs are in an advanced transition phase from computer vision to EO. Upon this, we argue that in the near future, investigations which analyze object dynamics with CNNs will have a significant impact on EO research. With a focus on EO applications in this Part II, we complete the methodological review provided in Part I.

elib-URL des Eintrags:https://elib.dlr.de/136194/
Dokumentart:Zeitschriftenbeitrag
Titel:Object Detection and Image Segmentation with Deep Learning on Earth Observation Data: A Review-Part II: Applications
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Hoeser, Thorstenthorsten.hoeser (at) dlr.dehttps://orcid.org/0000-0002-7179-3664NICHT SPEZIFIZIERT
Bachofer, FelixFelix.Bachofer (at) dlr.dehttps://orcid.org/0000-0001-6181-0187NICHT SPEZIFIZIERT
Kuenzer, Claudiaclaudia.kuenzer (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:18 September 2020
Erschienen in:Remote Sensing
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Ja
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:12
DOI:10.3390/rs12183053
Seitenbereich:Seite 3053
Verlag:Multidisciplinary Digital Publishing Institute (MDPI)
ISSN:2072-4292
Status:veröffentlicht
Stichwörter:artificial intelligence; AI; machine learning; deep learning; neural networks; convolutional neural networks; CNN; image segmentation; object detection; earth observation
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Geowissenschaftl. Fernerkundungs- und GIS-Verfahren
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Deutsches Fernerkundungsdatenzentrum > Dynamik der Landoberfläche
Hinterlegt von: Höser, Thorsten
Hinterlegt am:07 Okt 2020 10:29
Letzte Änderung:25 Okt 2023 08:43

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.