本文介绍了 MultiEarth 2023 国际会议的挑战指南、数据集和评估指标，以促进多模态学习与遥感数据处理等技术在环境监测中的应用

Jun, 2023

MultiEarth 2022 竞赛将对亚马逊雨林的砍伐进行监测和分析，包括三个子挑战：矩阵补全、砍伐估计和图像转换。竞赛旨在为多模态信息处理提供公共基准，并将地球、环境科学社区以及多模态表征学习社区聚集在一起，以在定义良好且严格可比的条件下比较各种多模态学习方法在砍伐估计方面的相对优劣。

Apr, 2022

该论文研究了如何使用 SPADE 和 pix2pixHD 来生成给定的 Sentinel-1 VV＆VH 图像对应的 RGB Sentinel-2 图像，并在 MultiEarth 2022 Image-to-Image Translation challenge 中获得了最高分数。

Jun, 2022

通过多视角学习策略、最新的深度神经网络模型和多模态数据集，采用全面的数据增强和多样化网络方法，能够有效而准确地预测亚马逊雨林地区的森林砍伐情况。

Jun, 2023

本文介绍了一个旨在通过利用广泛时间内收集的遥感数据，对地球生态健康进行监测和分析的跨模态学习多个任务的工作坊，并提出了清洁收集器算法，以清除可能妨碍数据学习过程的因素，并对图像进行增强，最终在 SAR-to-EO 任务中实现了较好的表现。

Jun, 2023

利用未标记的地球观测数据创建多模态预训练数据集，通过多模态预训练任务，提出了改进的 ConvNeXt V2 架构的 Multi-Pretext Masked Autoencoder (MP-MAE) 方法，证明多模态预训练可以显著提高图像分类和语义分割的性能，以及标签和参数的效率。

May, 2024

利用地球观测数据的多模态性质，提出了一种无监督多模态学习方法 OmniSat，可用于改进森林学、土地覆盖分类和农作物映射等任务，并在半监督和全监督设置下获得更好的性能。

Apr, 2024

提出了一个先驱性的多模态大型语言模型（MLLM）EarthGPT，该模型集成了各种多传感器遥感图像解释任务，通过构建大规模的多传感器多模态遥感指令追踪数据集 MMRS，解决了 MLLM 在遥感领域缺乏专业知识的问题，并在各种遥感图像解释任务上展现出其卓越的性能，并为开放式推理任务提供了一种多功能的范例。

Jan, 2024

使用 CLIP/ViT 模型在占总陆地面积约 10% 的五个区域内，利用卫星图像的三种不同模态对其进行预训练，通过嵌入向量和经典机器学习方法，在植被、建筑表面、农田和常水的地球观测相关任务中，仅需少量标记数据即可达到与完整标记数据相当的性能水平，并且该模型对缺失的数据模态和通道具备容错性。

Sep, 2023

基于光学和合成孔径雷达卫星影像，我们提出了一种基于注意力引导的 UNet 架构的森林砍伐估计方法，通过训练和验证模型，得出了 93.45% 的像素准确率和 0.79 的 F1 分数与 0.69 的 IoU。

Jul, 2023