通过对非洲国家的地理标记的 Flickr 图像进行大规模分析，研究表明标准的互联网数据收集方法在低收入和中等收入国家存在局限性，需要进一步努力来捕捉非洲人和他们环境的图像数据，以改善计算机视觉模型在全球范围内的适用性。

Aug, 2023

本文分析了不同方法来减轻现有图像分类模型中存在的地理偏差。我们首先定量地展示了这种偏差在两个数据集中的存在情况 - Dollar Street 数据集和 ImageNet，并使用带有位置信息的图像。然后，我们提出了可以用来减少这种偏差的不同方法。最后，我们分析了这些技术对使这些模型对图像的地理位置更健壮的效果。

Dec, 2023

本文提出了一种代表性 - 区分性开放集识别 (RDOSR) 框架，通过从原始图像空间到嵌入特征空间的映射，以及进一步转换到所谓的丰度空间，增强了数据的代表性和区分性能力，解决卫星影像地表覆盖分类的开放集识别问题，并在多个卫星基准测试上证明了该方法的有效性。

Jul, 2020

我们研究了在视觉和语言模型训练中使用大型未筛选数据集的不公平表现，以及如何应对这个问题，研究发现社会偏见在图像生成、图像描述和图像文本嵌入等视觉语言任务中都是一个持续而普遍的问题。

Apr, 2023

机器学习、深度神经网络、人工智能、地球观测和数据集是这篇研究论文的主要关键词，通过文章的回顾和资源描述，为未来发展提供了展望。

Oct, 2023

通过进行大规模的跨文化研究，我们发现不同地理位置的人对地理表达、视觉吸引力和一致性的偏好存在显著差异，并且目前常用的自动评估指标不能充分考虑这种多样性。我们建议改进自动和人工评估方法。

May, 2024

本文开展了针对视觉图像识别中数据集偏见问题的大规模分析，通过将 12 个已有数据库组织成一个语料库，提供了一个有用的特征储存库以供未来研究使用。

Feb, 2014

现代机器学习在地理空间领域取得了巨大的进展，而数据中心学习方法的应用对于提高精度、泛化能力和实际应用产生了积极作用。本文提出了一种自动化数据中心学习方法的定义和精确分类，总结了地理空间领域的相关研究，并将其归类为不同的组别，通过具体的实现例子展示了如何利用数据中心机器学习方法对地理空间数据进行操作。

Dec, 2023

电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势，通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而，对于进一步的研究和实践，需要解决许多问题，以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战，并提供了克服这些挑战的技术和流行编程工具，还讨论了地理空间人工智能在环境应用中的前景。

Nov, 2023

我们介绍了 OpenStreetView-5M，这是一个大规模、开放获取的数据集，包含了超过 510 万个地理参考的街景图像，涵盖了 225 个国家和地区。通过对各种最新图像编码器、空间表示和训练策略进行广泛测试，我们展示了该数据集的实用性，并解决了图像定位在计算机视觉算法中的问题。

Apr, 2024