CVPR2025W | S-EO 遥感几何感知阴影检测大规模数据集, 将开源
论文介绍
题目：S-EO: A Large-Scale Dataset for Geometry-Aware Shadow Detection in Remote Sensing Applications
会议：Earthvision 2025 (CVPR Workshop)
论文：https://arxiv.org/abs/2504.06920
主页：https://centreborelli.github.io/shadow-eo/
年份：2025
单位：乌拉圭共和国大学等
视频教程：
这才是科研人该学的！基于深度学习的遥感图像分类实战，一口气学完图像处理、特征提取、分类算法、变化检测、图像配准、辐射校正等7大算法！通俗易懂，新手也能学会！
https://www.bilibili.com/video/BV1qYvaePEoE/?spm_id_from=333.337.search-card.all.click&vd_source=75de451a527a341260671f8dfa953400
核心创新点
-
S-EO 数据集的提出：
-
目前最大规模、几何敏感的遥感阴影检测数据集（共702个tile，约2万幅图像）。
-
包含多时相、多视角的 WorldView-3 图像、DSM（LiDAR）以及自动生成的阴影掩膜。
-
-
几何驱动的阴影掩膜自动生成方法：
-
利用 DSM + 太阳角度 + RPC 投影模型，无需人工标注。
-
同时生成两种阴影掩膜（基于 DSM min 和 DSM max）以降低误差和偏差。
-
-
阴影监督提升3D重建精度（EO-NeRF 扩展）：
-
将阴影掩膜引入 EO-NeRF 训练作为额外监督，显著提高 DSM 重建质量。
-
-
跨域泛化能力验证：
-
使用 S-EO 预训练模型在 AISD 航空影像数据集上进行微调，仅用10%训练数据即超过原有方法，验证大规模预训练优势。
-
数据
来源：
-
WorldView-3 遥感影像（30cm 分辨率 PAN + RGB）；
-
USGS 的 LiDAR DSM（50cm 分辨率）；
-
IARPA CORE3D 数据集（Jacksonville, Omaha, San Diego）。
包含内容：
-
每个 tile：500×500 米大小；
-
19,162幅图像 + DSM（min/max）+ NDVI植被掩膜 + 投影模型（RPC）+ 自动生成的阴影掩膜。
阴影掩膜生成方式：
-
基于 DSM 的投影几何+太阳位置模拟（光线追踪）；
-
再通过 RPC 将 DSM 中的阴影投影到图像空间。
方法
1. 阴影掩膜自动生成方法
作者提出一种基于地形几何和太阳位置的自动阴影标注方法，用于大规模遥感图像：
-
首先利用 LiDAR 获取的DSM（数字地表模型），结合 拍摄时的太阳角度，模拟地形上的阴影区域；
-
然后将这些阴影从地面几何空间，通过卫星影像的几何模型（RPC） 投影到图像空间，生成图像对应的阴影掩膜；
-
为提高精度，使用了 两种DSM（最小高程和最大高程），生成两套阴影掩膜，并取其一致区域作为更可靠的监督信号；
-
辅助加入 NDVI生成的植被掩膜 和 不确定性区域掩膜，排除树木和低置信区域的干扰。
2. 阴影检测模型训练
-
模型基于经典的 U-Net 和 FSDNet 架构，为遥感阴影检测任务优化；
-
使用上述自动生成的阴影掩膜作为监督信号进行训练；
-
加入了 数据增强和颜色归一化处理，提高跨域泛化能力；
-
为降低错误监督带来的影响，仅使用两种阴影掩膜重合的区域进行训练。
3. 阴影监督下的3D建模扩展
-
在已有的 EO-NeRF 多视角神经辐射场重建框架中，引入了训练好的阴影掩膜作为辅助监督；
-
利用阴影区域信息，引导神经网络在几何重建中更准确地捕捉建筑边界、立面结构等；
实验与分析
作者在多个城市的遥感数据上验证了模型的阴影检测效果，并证明其具备良好的跨区域泛化能力。进一步将预测的阴影信息应用于3D重建中，显著提升了地形还原的准确性与细节表现。
视频教程：
这才是科研人该学的！基于深度学习的遥感图像分类实战，一口气学完图像处理、特征提取、分类算法、变化检测、图像配准、辐射校正等7大算法！通俗易懂，新手也能学会！https://www.bilibili.com/video/BV1qYvaePEoE/?spm_id_from=333.337.search-card.all.click