MultiEarth 2022 竞赛将对亚马逊雨林的砍伐进行监测和分析，包括三个子挑战：矩阵补全、砍伐估计和图像转换。竞赛旨在为多模态信息处理提供公共基准，并将地球、环境科学社区以及多模态表征学习社区聚集在一起，以在定义良好且严格可比的条件下比较各种多模态学习方法在砍伐估计方面的相对优劣。

Apr, 2022

本文提出了一种适应性实时多模态回归和生成框架来解决卫星数据稀疏性的挑战，并在 CVPR 2022 的 MultiEarth 矩阵完备性挑战中取得了优异的性能，其中包括 LPIPS 为 0.2226，PSNR 为 123.0372 和 SSIM 为 0.6347。

Jun, 2022

本文介绍了一个旨在通过利用广泛时间内收集的遥感数据，对地球生态健康进行监测和分析的跨模态学习多个任务的工作坊，并提出了清洁收集器算法，以清除可能妨碍数据学习过程的因素，并对图像进行增强，最终在 SAR-to-EO 任务中实现了较好的表现。

Jun, 2023

通过多视角学习策略、最新的深度神经网络模型和多模态数据集，采用全面的数据增强和多样化网络方法，能够有效而准确地预测亚马逊雨林地区的森林砍伐情况。

Jun, 2023

基于光学和合成孔径雷达卫星影像，我们提出了一种基于注意力引导的 UNet 架构的森林砍伐估计方法，通过训练和验证模型，得出了 93.45% 的像素准确率和 0.79 的 F1 分数与 0.69 的 IoU。

Jul, 2023

利用未标记的地球观测数据创建多模态预训练数据集，通过多模态预训练任务，提出了改进的 ConvNeXt V2 架构的 Multi-Pretext Masked Autoencoder (MP-MAE) 方法，证明多模态预训练可以显著提高图像分类和语义分割的性能，以及标签和参数的效率。

May, 2024

该研究使用多模态特征测试了三个情感识别子挑战任务，提供了具有竞争力的基础模型，为提高情感识别的鲁棒性和发展实际应用技术提供了一些新思路。

Apr, 2023

利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

Jul, 2023

本文介绍 DeepGlobe 2018 卫星图像理解挑战赛，包括分割、检测和分类任务，旨在提高计算机视觉领域对遥感数据的关注，评估卫星图像理解方法并为未来的研究提供参考基准。

May, 2018

该论文研究了如何使用 SPADE 和 pix2pixHD 来生成给定的 Sentinel-1 VV＆VH 图像对应的 RGB Sentinel-2 图像，并在 MultiEarth 2022 Image-to-Image Translation challenge 中获得了最高分数。

Jun, 2022