我们在遥感图像目标检测中探讨了一种在未筛选的未标记数据上进行半监督学习的方法，该方法使用标记的分布数据动态构建类别特征库，并通过与特征库中的条目进行比较计算 OOD 分数，有效过滤 OOD 样本。通过在 DIOR 和 DOTA 两个广泛使用的遥感目标检测数据集上进行的实验，我们证明了我们提出的方法在 RSIs 中实现开放集半监督目标检测方面具有卓越的性能和效果。

Oct, 2023

该研究是对遥感影像分类和物体检测模型的鲁棒性进行综合研究和基准评估，并提供了数据集资源，通过对不同分类器和探测器的严格评估，找到了关于敌对噪声制备和模型训练的深入认识，并为开发更具弹性和鲁棒性的模型提供指导。

Jun, 2023

该论文介绍了 VRSO，一种用于静态物体注释的基于视觉的方法，它使用相机图像作为输入，可以在 3D 空间中恢复静态物体，并基于自动重建和注释流程生成用于静态对象检测任务的 GT，其平均重投影误差仅为 2.6 像素，约为 Waymo 标注的四分之一（10.6 像素）。

Mar, 2024

本文介绍了一种名为 SpaceYOLOv2 (SpY) 的端到端物体检测器，利用传统的计算机视觉技术融入上下文知识以提高检测准确性，并通过与现有的航天器部件检测器相结合，使得 SpY 在硬件环路图像的评估中表现出较高的准确性，为基于视觉导航任务提供了增强安全性的解决方案。

Jun, 2024

利用单级检测器作为基准，结合元学习训练框架和新颖的元采样方法，提出了一种在遥感图像中进行少样本目标检测的方法，以提高检测准确性和元学习策略的效率。

Apr, 2024

本文提出了一种新的显著性目标检测系统 RDS，它使用更有效的方法传递全局信息，解决传统模型中忽略背景信息的问题，并在使用目标检测数据训练模型时取得了最新的结果。

Jan, 2019

我们提出了一个新的用于低地球轨道的 RSO 分类法来增强空间交通管理，并且提出了基于自编码器架构的深度学习模型，以减少表示 RSO 特征的属性。该自编码器生成一个低维空间表示，然后使用 Uniform Manifold Approximation and Projection 等技术探索并识别基于 RSOs 独特特征的基本群集。我们的分类法和模型为缓解轨道上不断增加的 RSOs 所带来的整体风险做出了重要贡献。

Nov, 2023

本文提供了在计算机视觉和地球观测社区中基于深度学习的对象检测的综合研究进展，并提出了一个公开的大规模测量数据，即 DIOR 数据集，其可帮助研究人员开发和验证数据驱动的方法。

Aug, 2019

遥感物体检测是遥感领域中最基本和具有挑战性的任务之一，深度学习技术在近年来展现出强大的特征表示能力，并推动了遥感物体检测技术的巨大飞跃。本综述旨在全面回顾基于深度学习的遥感物体检测方法的最新成果，涵盖了 300 多篇论文。我们在遥感物体检测中确定了五个主要挑战，包括多尺度物体检测、旋转目标检测、弱目标检测、微小目标检测和受限监督目标检测，并按照层次划分的方式系统回顾了相应的方法。我们还回顾了遥感物体检测领域中广泛使用的基准数据集和评估指标，以及遥感物体检测的应用场景。为进一步推动遥感物体检测研究提供了未来的研究方向。

Sep, 2023

我们开发了一种半监督算法，通过检测和利用未标记的新颖对象来改善少样本目标检测的性能。我们的方法使用层次化三元分类算法以区分这些对象，并通过改善区域提议网络的感知能力来提高目标检测模型对大型对象的检测性能。实验结果表明，我们的方法是有效的，并且优于现有的少样本目标检测方法。

Aug, 2023