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

本文系统评述了现有远程感知图像场景识别数据集和方法存在的局限性，提出了一个大规模数据集 NWPU-RESISC45，该数据集包含 31,500 张图像，提供了准确、全面和多样化的评估基准，为深度学习等算法提供了便利。

Mar, 2017

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 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

Jun, 2019

本文探讨了遥感图像分类在监督和非监督学习方面的研究，并比较了多种分类方法，其中 Mahalanobis 分类器表现最佳。

Feb, 2010

本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

Sep, 2022

使用众包数据，本文基于深度卷积神经网络，构建了一个远程遥感图像分类基准测试集，该基准测试集包含两个子数据集，分别为 256×256 和 128×128 像素大小，用于比较与现有基准测试集在手工特征和经典的深度卷积神经网络模型下的表现。

May, 2017

本研究使用深度卷积神经网络在多光谱影像语义分割上的状态使用，通过使用生成的合成图像代替真实的图像进行数据集初始化，成功地克服了多光谱影像数据标注不足的问题，并在新的 RIT-18 数据集上表现出最高水平作为未来工作的基础。

Mar, 2017

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

本研究旨在探讨如何准确、灵活地描述遥感图像。通过提出一些标注指导和构建大规模航空图像数据集，研究证明采用生成语言描述的方式可以全面地描述遥感图像内容。

Dec, 2017