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

本文介绍了 SEN12MS 数据集的分类转换及使用该数据集对不同模型和数据类型进行测试后，证明多光谱和多传感器数据融合对遥感图像分类的好处。

Apr, 2021

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

该研究探讨了在遥感图像中的增量式小样本目标检测任务，并介绍了一种名为 InfRS 的创新微调技术，以便在保持基类性能的同时，利用有限的示例进行增量学习，并生成代表数据固有特征的类别原型，进而解决遥感图像中的增量式小样本目标检测问题。

May, 2024

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

本文提出了一种名为 AutoLC 的方法，它将手动设计的 CNN 和自动设计的 CNN 的优点相结合，采用分层搜索空间和轻量级编码器策略，成功地解决了高分辨率遥感图像的土地覆盖分类问题，并在实验中取得了比其他方法更好的效果。

May, 2022

本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

Jun, 2016

本研究提出了一个高分辨率遥感图像网络模型，可解决同类别地物在不同地理环境下形态和比例显著不同，以及复杂背景噪声干扰下影响现有学习算法效果的问题。该模型包含漏斗模型、信息聚合模块、特征精炼模块和 CEA Loss 损失函数，并通过有效的预处理策略，在三个高分辨率遥感图像分割基准数据集上取得了优异表现。

May, 2023

通过可逆神经网络，我们提出了 INN-RSIC 方法，用于解码远程感应图像并实现高感知质量，在低比特率下尤为重要。我们采用现有图像压缩算法捕捉压缩失真，并通过 INN 将其编码为一组高斯分布的潜在变量，使解码图像中的压缩失真与真实图像无关。因此，通过利用 INN 的逆映射，我们可以将解码图像以及一组随机重采样的高斯分布变量输入到逆网络中，有效生成感知质量更好的增强图像。我们通过引入量化模块（QM）来缓解格式转换的影响，从而提高框架的泛化能力和增强图像的感知质量。广泛的实验表明，我们的 INN-RSIC 在感知质量方面明显优于现有的传统和基于深度学习的图像压缩方法。

May, 2024

我们在这篇论文中解决了光学遥感图像的土地覆盖分类领域中的逐类增量学习（CIL）问题。我们提出了一个新颖的 CIL 框架，通过受到重播存储器方法的启发并解决了其中的两个缺点。实验证明，我们的方法在 CIL 性能上表现出明显的改进。

Sep, 2023