探索深度学习用于遥感数据处理，特别针对光谱和空间上的挑战，提出新的三维深度学习方法来联合处理，实验结果表明其比现有方法具有更好的分类准确率和更低的计算成本。

Jun, 2018

分析了深度学习用于遥感数据分析的挑战、近期进展及如何利用该技术应对包括气候变化和城市化等前所未有的大规模具有影响力的挑战，鼓励遥感科学家将自己的专业知识带入深度学习，并将其作为隐式通用模型。

Oct, 2017

本文系统地介绍了 160 多篇文献中深度学习在遥感图像场景分类中的应用，包括自编码器、卷积神经网络和生成对抗网络等方面，总结了在三个常用数据集上的代表性算法的性能以及未来的研究前景。

May, 2020

遥感物体检测是遥感领域中最基本和具有挑战性的任务之一，深度学习技术在近年来展现出强大的特征表示能力，并推动了遥感物体检测技术的巨大飞跃。本综述旨在全面回顾基于深度学习的遥感物体检测方法的最新成果，涵盖了 300 多篇论文。我们在遥感物体检测中确定了五个主要挑战，包括多尺度物体检测、旋转目标检测、弱目标检测、微小目标检测和受限监督目标检测，并按照层次划分的方式系统回顾了相应的方法。我们还回顾了遥感物体检测领域中广泛使用的基准数据集和评估指标，以及遥感物体检测的应用场景。为进一步推动遥感物体检测研究提供了未来的研究方向。

Sep, 2023

该研究是对遥感影像分类和物体检测模型的鲁棒性进行综合研究和基准评估，并提供了数据集资源，通过对不同分类器和探测器的严格评估，找到了关于敌对噪声制备和模型训练的深入认识，并为开发更具弹性和鲁棒性的模型提供指导。

Jun, 2023

深度学习模型应用于遥感语义分割 / 分类任务，需要大规模训练数据，但由于地理区域之间遥感图像内容的差异性，其可迁移性不足。本研究利用四个高度多样化的遥感数据集，训练了六个模型，并分析了它们之间的可迁移性以及领域适应方法在提高模型可迁移性方面的效果。此外，提出了一种基于光谱指数的简单方法来量化模型的可迁移性，在标签不可用时评估目标领域的模型可迁移性。该研究的发现有助于指导通用遥感学习模型的未来发展。

Oct, 2023

在遥感和无人机应用中，高质量图像是至关重要的，但大气雾霾严重影响图像质量，因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点，还探讨了去雾技术在遥感和无人机数据集中的应用，全面概述了这些领域中的深度学习和基于先验的方法。我们确定了关键挑战，包括缺乏大规模遥感数据集和需要更加稳健的评估指标，并概述了解决这些挑战的潜在解决方案和未来研究方向。这是我们所知的第一篇详细讨论基准和遥感数据集上现有以及最近（截至 2024 年）的图像去雾方法的综述，包括基于无人机图像的内容。

May, 2024

远程感知影像的实时语义分割是一个具有挑战性的任务，需要在效果和效率之间进行权衡。本论文总结了设计高效深度神经网络的基本压缩方法，并对远程感知影像的实时语义分割的最新发展进行了简要而全面的调查。实验结果表明，现有的大多数高效深度神经网络都具有良好的分割质量，但它们存在推理速度低（即高延迟率）的问题，可能限制了它们在实时应用中的部署能力。我们对远程感知影像实时语义分割的当前趋势和未来研究方向提供了一些见解。

Sep, 2023

本文旨在探讨如何使用深度学习技术完成遥感图片情景分类任务。通过对不同深度神经网络预训练模型和多头注意力机制进行评估，提出了一种基于深度学习的架构，并在 NWPU-RESISC45 数据集上取得了 94.7% 的准确率。

Jun, 2022

深度学习在遥感数据分析等领域取得了巨大进展，但由于神经网络在解释性上的缺陷，对其缺乏可解释性和可解读性仍然存在批评。为解决这一问题，用于遥感图像分析的可解释人工智能技术近来得到了广泛的研究。本章根据突出的地球观测应用领域进行组织，介绍了可解释遥感影像分析领域的最新发展。

Nov, 2023