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

DynamicEarthNet: Daily Multi-Spectral Satellite Dataset for Semantic Change Segmentation

Toker, Aysim und Kondmann, Lukas und Weber, Mark und Eisenberger, Marvin und Camero, Andrés und Hu, Jingliang und Hoderlein, Ariadna Pregel und Senaras, Caglar und Davis, Timothy und Cremers, Daniel und Marchisio, Giovanni und Zhu, Xiao Xiang und Leal-Taixé, Laura (2022) DynamicEarthNet: Daily Multi-Spectral Satellite Dataset for Semantic Change Segmentation. In: 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition, CVPR 2022, Seiten 1-18. Conference on Computer Vision and Pattern Recognition, 2022-06-20 - 2022-06-26, New Orleans, USA. doi: 10.1109/CVPR52688.2022.02048. ISBN 978-166546946-3. ISSN 1063-6919.

[img] PDF
15MB

Kurzfassung

Earth observation is a fundamental tool for monitoring the evolution of land use in specific areas of interest. Observing and precisely defining change, in this context, requires both time-series data and pixel-wise segmentations. To that end, we propose the DynamicEarthNet dataset that consists of daily, multi-spectral satellite observations of 75 selected areas of interest distributed over the globe with imagery from Planet Labs. These observations are paired with pixel-wise monthly semantic segmentation labels of 7 land use and land cover (LULC) classes. DynamicEarthNet is the first dataset that provides this unique combination of daily measurements and high-quality labels. In our experiments, we compare several established baselines that either utilize the daily observations as additional training data (semi-supervised learning) or multiple observations at once (spatio-temporal learning) as a point of reference for future research. Finally, we propose a new evaluation metric SCS that addresses the specific challenges associated with time-series semantic change segmentation. The data is available at: https://mediatum.ub.tum.de/1650201.

elib-URL des Eintrags:https://elib.dlr.de/186104/
Dokumentart:Konferenzbeitrag (Poster)
Titel:DynamicEarthNet: Daily Multi-Spectral Satellite Dataset for Semantic Change Segmentation
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Toker, AysimTU MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Kondmann, LukasLukas.Kondmann (at) dlr.dehttps://orcid.org/0000-0002-2253-6936NICHT SPEZIFIZIERT
Weber, MarkTU MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Eisenberger, MarvinTU MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Camero, Andrésandres.camerounzueta (at) dlr.dehttps://orcid.org/0000-0002-8152-9381NICHT SPEZIFIZIERT
Hu, Jingliangjingliang.hu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Hoderlein, Ariadna PregelTU MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Senaras, CaglarPlanet LabsNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Davis, TimothyPlanet LabsNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Cremers, DanielTU MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Marchisio, GiovanniPlanet LabsNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao Xiangxiao.zhu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Leal-Taixé, LauraTU MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2022
Erschienen in:2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition, CVPR 2022
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
DOI:10.1109/CVPR52688.2022.02048
Seitenbereich:Seiten 1-18
ISSN:1063-6919
ISBN:978-166546946-3
Status:veröffentlicht
Stichwörter:Change Detection; Deep Learning, Remote Sensing, Computer Vision
Veranstaltungstitel:Conference on Computer Vision and Pattern Recognition
Veranstaltungsort:New Orleans, USA
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:20 Juni 2022
Veranstaltungsende:26 Juni 2022
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 - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Kondmann, Lukas
Hinterlegt am:13 Apr 2022 14:18
Letzte Änderung:24 Apr 2024 20:47

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.