本研究提出了一种基于卫星数据的多模态建筑高度回归网络，利用 Sentinel-1 和 Sentinel-2 卫星时间序列数据，在 10m 空间分辨率下估计建筑高度，在荷兰的 10 个城市进行训练和测试，得出了良好的性能结果，证明其在准确估计建筑高度方面具有潜力。

Jul, 2023

通过结合 Sentinel-1 的 SAR 数据、Sentinel-2 的光学数据和建筑物轮廓提供的形状数据，本研究建立了一套空间 - 光谱 - 时间特征数据库，提取这些特征并建立了基于随机森林模型的建筑物高度模型，通过模型集成方法和 Lidar 数据的验证，实现了高分辨率建筑物高度数据的快速生成。

May, 2024

本文使用 50cm 卫星图像，通过建筑检测模型训练管道，对非洲进行了建筑物检测，包括模型体系结构、损失函数、正则化、预训练、自训练和后处理等方法，取得了较好的性能。

Jul, 2021

利用遥感技术的建筑物检测创建人口密度地图，包括数据采集、半监督方法等解决策略。

Jul, 2017

使用地球观测和深度学习方法，该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割，以实现相对较高的像素度量分数，进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果，并以黎巴嫩为案例，成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。

Apr, 2024

本研究旨在将 Sentinel-2 卫星影像的低分辨率（20m 和 60m 采样距离）图像超分辨率重建到 10m 采样距离，采用了基于卷积神经网络的端到端上采样方法，命名为 DSen2，在 RMSE 性能上优于最佳比较方法近 50％，以视觉效果快速重建全分辨率图像。

Mar, 2018

提出了一种基于遥感影像的城市三维重建方法，名为 KIBS （Keypoints Inference By Segmentation），该方法实现了在只有一张二维卫星影像的情况下，通过全深度学习实现建筑物屋顶截面的三维检测，并进行全三维重建，在两个数据集上的重建准确性在 LOD2 精度范围内，且能在短短几分钟内完成。

Jul, 2023

本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

Sep, 2017

利用不同数据集和先进的表示学习模型在遥感图像中对建筑物进行识别和分割的研究表明，通过融合各种数据集，我们扩大了学习资源的范围，在多个数据集上取得了可观的性能。我们的创新联合训练过程在城市规划、灾害管理和环境监测等关键领域展示了我们方法的价值，结合数据集融合技术和预训练模型的方法为建筑物分割任务树立了新的先例。此研究的结果为未来的探索奠定了基础，并显示了在建筑物分割领域中创新应用的潜在前景。

Oct, 2023

利用遥感和深度学习技术开展建筑物语义分割，对空间分辨率的影响进行研究，结果表明较高的空间分辨率对建筑物分割结果具有显著影响，且 0.3 米左右的成本效益最佳。

Jul, 2023