利用地球成像卫星阵列进行快速更新基础地图的先进机器学习技术，结合 SpaceNet 的图像标签与公共奖项竞赛加速影像判读自动化的建筑与道路网络提取，以解决人工标记不足的问题。

Jul, 2018

该研究提出了一种基于深度学习和遥感技术的城市变化检测方法，采用连续多时相卫星图像，结合自注意力和分割技术，有效地识别了城市变化，与其他方法相比表现更加出色。

Jun, 2024

这篇文章介绍了一种名为 DynamicEarthNet 的数据集，其中包含每日地球观测数据和 7 种土地利用和覆盖类别的高质量标签，提供了研究土地利用演变方面的极其有用的资源。此外，文章还提出了一个新的评估指标 SCS 以应对时间序列语义变化分割中的特定挑战，并比较了几个半监督学习和时空学习的基线方法。

Mar, 2022

本研究提出了一个基于卷积神经网络可快速分割洪水淹没建筑的新方法，并结合多分辨率、多传感器、多时相卫星图像，本方法迅速生成卫星图像洪水地图，有助于应对洪水事件的早期响应；同时，通过结合多时相信息，本方法也能用于快速而精确的灾后伤害评估，并可帮助政府更好地协调中长期的财政援助计划。我们还将我们基于编码器 - 解码器结构的多流视频数据融合方法与其他现有研究进行了比较，并证明了它的性能更佳。此外，我们还发布了一个全面预处理和标记的多分辨率和多时相卫星图像灾害数据集以及我们的源代码。

Dec, 2018

为支持美国城市可持续发展目标研究，我们利用深度学习模型开发了一个卫星图像数据集，涵盖了五个可持续发展目标和 25 个指标。该数据集覆盖了美国最多人口的 100 个城市以及对应的人口普查街区组，时间跨度为 2014 年至 2023 年。该数据集将帮助城市决策者和研究人员推进城市中与可持续发展目标相关的研究，尤其是应用卫星图像监测城市中的长期和多尺度可持续发展目标。

Aug, 2023

使用地球观测和深度学习方法，该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割，以实现相对较高的像素度量分数，进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果，并以黎巴嫩为案例，成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。

Apr, 2024

本研究提出了一种名为 Hi-UCD 的大规模基准数据集，通过使用具有 0.1 米空间分辨率的航空影像和分别分为九个地表覆盖类别的语义标注数据，以获取地面物体变化方向，用于检测和分析精细化的城市变化。实验结果表明，Hi-UCD 是具有挑战性但有用的强大基准，可以加速未来的研究。

Nov, 2020

本文使用 50cm 卫星图像，通过建筑检测模型训练管道，对非洲进行了建筑物检测，包括模型体系结构、损失函数、正则化、预训练、自训练和后处理等方法，取得了较好的性能。

Jul, 2021

本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

Sep, 2017

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