提出了一种演化强化学习代理，结合了粗到精的目标检测框架，用于优化尺度以更有效地检测航拍图像中的目标。通过一组针对定位准确性、预测标签准确性和临近补丁尺度一致性的奖励，引导尺度优化；并设计了一种空间语义关注机制，利用补丁之间的空间语义关系。该模型在无人机图像目标检测这两个基准数据集上与最先进的方法进行比较，显著优于所有对比方法。

Dec, 2023

本研究提出了一种利用多层感知域适用于遥感图像的语义分割的新技术，通过训练一个具有不同感知域的扩张网络，从多种异质性环境下获取信息，从训练样本中定义最佳输入补丁大小，显著提高了像素分类精度。

Apr, 2018

本文提出了一个刻度感知对抗学习框架，用于实现跨位置和跨刻度的地表覆盖分类，结果表明该框架在远程感知图像分类中的效果优于现有的领域适应方法。

Dec, 2020

自主机器人的关键挑战是在遮挡、未曾见过的视角和长时间跨度中，维持对世界的空间和时间一致的模型。研究探索如何在无监督情况下训练一种多用途的神经表示。通过构建精心筛选的检索集，并调整空间容限来平衡检索和可重用性，优化检索结果的平均精度，并选择具有高平均精度的关键点，最终构建了稀疏的多尺度语义空间地图，应用于地标检索、定位、语义分割和实例分割。

Oct, 2023

本文提出一种基于多任务架构的视觉定位方法，通过将几何和语义信息融合到多尺度的嵌入表示中，使用有效的多尺度特征鉴别器进行对抗性训练，从虚拟数据集到现实世界数据集的领域适应，以实现图像检索定位及大规模地点识别。该方法在 Extended CMU-Seasons 数据集和 Oxford RobotCar 数据集上进行验证，结果表明本方法在具有挑战性的环境下的检索定位和大规模地点识别的表现优于现有方法。

Oct, 2020

该研究提出了一种针对农作物的农业地理场景和地块尺度受限的语义变化检测（SCD）框架（AGSPNet），通过有效提取农作物的深度图像特征，可以在复杂的场景中明确检测到农作物类型的细微变化信息，从而为智能农业监测与管理、粮食政策制定和食品安全保障提供科学和技术支持。

Jan, 2024

本研究旨在通过多尺度注意力模块，实现从视觉和语义内容中学习鲁棒全局嵌入以及动态引导的分割过程，以提高视觉地点识别的准确性，同时提出第一个适用于地点识别和分割任务的合成世界数据集，实验证明方法在不同情景下具有良好性能。

Jan, 2022

这篇论文介绍了一种基于 Transformer 的自适应语义聚集方法，将部分作为图像中最具代表性的语义，并将部分级别的特征分解为所有补丁特征的自适应总和，以实现准确的无人机 - 卫星图像匹配。

Jan, 2024

由于高分辨率遥感卫星的发展，遥感相关研究工作获得了极大的便利。SAM 引入了一种普适的预训练模型用于图像分割任务，但是直接应用于遥感图像分割任务效果欠佳。为此，我们提出了 RSAM-Seg，即在 SAM 的基础上进行了适应性修改，消除了对手动干预提供提示的需求。在 SAM 的编码器部分的多头注意力块中，我们提出了 Adapter-Scale 和 Adapter-Feature 模块，它们旨在将高频图像信息和图像嵌入特征融入生成的图像引导提示中。在包括云检测、场地监测、建筑物检测和道路制图任务的四个不同遥感场景上进行了实验证明，RSAM-Seg 不仅改善了原始 SAM 和 U-Net 在云、建筑物、场地和道路场景中的效果，还突出了其作为辅助注释方法的潜力，可以识别某些数据集的真实值中的缺失区域。此外，在少样本情况下的表现也值得称赞，凸显了其在处理有限数据集时的潜力。

Feb, 2024

本文提出了一种新的多任务、多阶段神经网络，能够在单次前向传递中同时处理语义分割和基于视觉的航拍图像地理定位两个问题，并在卫星图像中实现商用 GPS 级别的本地化精度以及在 Inria Aerial Image Labeling 数据集和 Massachusetts Buildings 数据集上达到领先水平的分割效果。

Apr, 2018