该篇论文呈现了一种自主方法，用于在火星探测器图像中聚类沉积纹理，以便创建详细的地形类别数据集和地质分析，取得了较高的准确性和地质效验，为火星地形分类的快速识别提供了有前途的方法，并为实现生产大规模、细粒度和公开可用的火星地形识别数据集的长期目标开辟了道路。

Apr, 2022

本研究提出了一种半监督学习方法，利用无监督对比预训练，实现了火星表面的多任务语义分割。实验证明使用混合域训练集可以显著提高模型在多个火星探测任务中的准确性。提供不同损失函数的加权方法可显著提高模型对于稀有类别的识别率。

Sep, 2022

提出了一种基于Segment Anything Model的通用撞击坑检测方案，可以成功地在不同的数据类型（如原始卫星图像、DEM等）、不同的设置（如月球，火星）和不同的捕获角度下识别撞击坑外观对象，并使用形状指标拟合椭圆恢复检测到的撞击坑的位置和大小/几何。

Apr, 2023

本研究集中于遥感领域，通过利用多个基础模型来促进远程 sensing 图像语义分割任务。我们的实验结果表明，该方法在几个广泛使用的远程 sensing 数据集上具有很高的准确性。

Apr, 2023

研究了针对视觉任务开发的第一个基础模型，称为Segment Anything Model（SAM）。SAM可以基于便宜的输入提示，如一个或多个点、边界框或掩码，在输入的图像中分割对象。作者在大量的视觉基准任务中研究了SAM的零样本图像分割准确性，并发现SAM通常实现了与目标任务上进行了训练的视觉模型类似或有时超过其识别精度。他们检查了SAM在多样化、广泛研究的基准任务集上的表现。然而，作者还研究了SAM在航空图像问题中的表现，他们发现虽然SAM在航空图像上通常表现良好，但在某些情况下由于航空图像和目标对象的独特特征而失败。

Apr, 2023

本研究旨在将Meta AI的创新图像分割模型Segment Anything Model（SAM）应用于遥感图像分析领域，特别是处理来自不同地理背景的航空和轨道影像，实现SAM在遥感影像处理中的潜力。

Jun, 2023

本文提出了一个针对SAM原始输出的简化框架，通过利用SGO和SGB这两个新概念，引入了新的目标损失和边界损失作为增强组件，用于提高语义分割性能。在ISPRS Vaihingen和LoveDA Urban两个知名数据集上的实验结果证明了我们方法的有效性。

Dec, 2023

评估新兴的计算机视觉基础模型及其在自然景观要素分割中的性能，通过测试Meta的Segment Anything Model (SAM)在零样本性能、领域适应性和理论上限预测准确性等方面来评估其大型AI视觉模型的性能，并指出了改进的空间，以在具有挑战性的地理空间领域中支持AI辅助的地形制图。

Jan, 2024

从火星表面的复杂地形、相似的表面特征和缺乏广泛标注数据等方面入手，该研究提出了一种名为MarsSeg的新型编码器-解码器火星分割网络，利用最小化下采样层数量的编码器-解码器结构以保留局部细节，并引入位于编码器和解码器之间的特征增强连接层，该层结合Mini-ASPP、PSA和SPPM等结构，实现遮蔽特征和深层特征的增强，进而在火星分割性能方面优于其他先进方法。

Apr, 2024

我们提出了一种名为ALPS的创新自动标注框架，利用Segment Anything Model (SAM)预测遥感图像的准确伪标签，从而填补了遥感图像分析领域中海量未标注数据集和充分利用这些数据集进行高级RS分析之间的鸿沟。

Jun, 2024