使用 Flickr 上的地面图像和深度学习方法进行土地利用地图绘制，并针对地理位置和室内 / 室外进行筛选和半监督数据增强，从而最终实现了 76% 的准确性。

Sep, 2016

本研究旨在探讨使用卷积神经网络对遥感场景进行语义分类的方法，通过采用 CaffeNet 和 GoogLeNet 架构，并进行多种不同的学习方式包括预训练网络的微调等，实验结果表明该方法在两个遥感数据集的性能表现都显著优于同类方法。

Aug, 2015

利用遥感技术和深度卷积神经网络，分析大规模卫星图像数据中的城市土地利用模式，并提供数据集以供遥感应用的机器学习研究人员使用。

Apr, 2017

本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

Jun, 2016

通过高分辨率航拍图像，利用监督卷积神经网络和基于视觉词袋的半监督聚类方法，从公开可获取的城市图像准确估计美国各地区的人口密度、家庭收入中位数和教育水平，并开拓用于地理概括和无需标记数据的细粒度信息估计的新的半监督方法。

Sep, 2023

本文提出了一种基于神经网络的区域聚合层，可使用粗粒度的密度聚合来训练像素级密度估计器，从而反映图像区域中对象的数量，使该方法不需要针对密度函数的领域特定假设。我们在几个合成数据集上评估了我们的方法。此外，我们使用该方法从卫星图像中学习估计高分辨率人口和住房密度，并且在所有情况下，我们发现与常用基线相比，我们的方法都能得到更好的密度估计值。我们还展示了如何使用我们的住房密度估计器将建筑分类为住宅或非住宅。

Oct, 2018

介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

Nov, 2015

本文旨在使用卷积神经网络来解决跨视角图像地理定位的问题，并介绍了用于地面图像和航拍图像的特征表示，并提出一种融合多个空间尺度提取的特征的网络架构，并通过实验表明其比现有方法更为优越。

Oct, 2015

介绍了一种基于大地空间注意力机制的近 / 远距离感知方法，该方法结合了空中和地面图像的几何特征和外观，提高了分割任务的准确性。实验结果显示，该方法显著优于之前的最先进方法。

Apr, 2022

从高分辨率图像和有限的带噪声标记数据中生成城市区域的七类土地覆盖图的方法，使用 UNet、Resnet 编码器的 UNet 和 Deeplab v3 + 编码器，结合不同的损失函数进行比较研究，并将模型预测拼接在一起生成高价值的土地覆盖图。

May, 2020