本文介绍了AiTLAS基准测试套件，它是用于评估地球观测中图像分类的最先进深度学习方法的开源基准测试套件。我们对500多种模型进行了全面比较分析，以22个不同大小和属性的数据集为基础，并将它们与各种多类别和多标签分类任务进行比较，找到了一个通用而有效的模型。

Jul, 2022

本文研究了模型参数数量增加对远程遥感领域中基础模型在旋转物体检测和语义分割等下游任务性能的影响，并通过实验验证了模型参数数量的增加可以提升模型性能和数据效率，进而提出了一种有效的基于视觉变换器进行扩展和微调的远程遥感领域的方法。

Apr, 2023

EarthPT是一个地球观测预训练的变压器模型，通过自回归自监督方式训练了一个7亿参数、针对地球观测应用场景的模型。我们展示了EarthPT是一个有效的预测器，可以准确预测未来的像素级表面反射率在400-2300nm范围内变化。此外，通过EarthPT学习的嵌入具有语义上有意义的信息，可用于下游任务，如高精度、动态的土地利用分类。

Sep, 2023

基于深度学习的Prithvi地球观测模型通过高效前期训练和微调，成功实现地球观测领域多个任务的优化，证明了预训练模型在加速微调过程以及在性能上优于随机初始化权重的作用，并表明可显著减少可用标注数据的数量而不影响模型准确性。

Oct, 2023

本研究介绍了PhilEO Bench，这是一个用于评估遥感基础模型的创新评估框架，其中包括一个测试平台和一个包含建筑密度估计、道路分割和土地覆盖分类三个下游任务的400GB Sentinel-2数据集。通过使用该框架对Prithvi和SatMAE等不同基础模型进行多个n-shot和收敛率的实验评估。

Jan, 2024

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

本文全面审查了视觉-语言地理基础模型（VLGFMs），总结和分析了该领域的最新发展，包括VLGFMs的背景、动机、核心技术和应用，以及未来研究方向的洞察、问题和讨论。

Jun, 2024

基于基础模型对计算机视觉、地球观测和地理空间人工智能领域的问题进行联合解决，其对于有限的标记数据表现出更好的性能，并且在下游任务中具有标签高效的特点。

Jun, 2024

本研究针对遥感领域中人工智能基础模型的应用进行了全面综述，填补了现有文献在2021年6月至2024年6月之间发布的模型分析中的空白。论文提出了新的见解，特别强调自监督学习等预训练方法对提升模型性能和稳健性的关键作用，以及为遥感任务（如场景分类和目标检测）带来的显著进展和未来研究方向。

Aug, 2024

本研究探讨了遥感领域面临的重要挑战，特别是在复杂的地球环境和多样的传感器模态下的发展需求。文章提出了遥感基础模型（RSFM）的概念，并系统地回顾了现有的研究，评估了这些模型的性能及其对地球观测任务的潜在影响，为未来研究方向提供了指导。

Oct, 2024