利用遥感技术的建筑物检测创建人口密度地图，包括数据采集、半监督方法等解决策略。

Jul, 2017

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

本文提出了一种基于卷积神经网络分类个别建筑物功能的方法，该方法利用了遥感图像和街景图像，使用开源地图系统来获取地理信息，并利用创建的基准数据集在加拿大和美国的多个城市进行训练和评估。

Feb, 2018

本研究提出了一种使用卷积网络和距离函数的方法，利用 GIS 中的建筑足迹数据训练，可实现从空中和卫星图像中自动提取建筑物的任务自动化，并在大规模和复杂的数据集上显著优于先前的方法。

Feb, 2016

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

本文提出了一种半监督框架，利用多模态遥感数据在大规模城市区域中识别每个建筑物的功能。研究结果表明，在中国上海的 1,616,796 座建筑中，所生成的功能地图实现了 82% 的 OA 和 71% 的 Kappa，具有支持大规模城市管理和可持续城市发展的潜力。

May, 2024

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

利用不同数据集和先进的表示学习模型在遥感图像中对建筑物进行识别和分割的研究表明，通过融合各种数据集，我们扩大了学习资源的范围，在多个数据集上取得了可观的性能。我们的创新联合训练过程在城市规划、灾害管理和环境监测等关键领域展示了我们方法的价值，结合数据集融合技术和预训练模型的方法为建筑物分割任务树立了新的先例。此研究的结果为未来的探索奠定了基础，并显示了在建筑物分割领域中创新应用的潜在前景。

Oct, 2023

利用机器学习技术自动检测卫星图像中的建筑物损伤，提高灾后救援响应效率。

Oct, 2019

本论文提出一种基于无人机图像数据收集和后期处理的自动化方法，旨在通过估算地震结构参数，帮助建筑结构的弱点检查和减少人工，时间和成本消耗。这里考虑的关键参数是邻近建筑之间的距离，建筑平面形状，建筑平面面积，屋顶上的物体和屋顶布局。实地测量和 Google 地球数据表明所提出的方法在估算这些参数方面的准确性得到了验证。

Sep, 2022