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

通过在多个地理空间子领域进行测试，发现在某些文本模态的地理任务中，基于任务不可知的大型语言模型可以在零样本或少样本学习设置中胜过基于任务特定的全监督模型，但是在其他涉及多种数据模态的地理任务上，现有的基础模型仍然不如基于任务特定的模型表现。因此，通过处理不同的地理数据模态，建议可能性使用能够通过地理对齐来推理各种类型的地理数据的多模态基础模型来应对地理人工智能挑战的多模态特征。

Apr, 2023

本研究针对遥感任务的基础模型研究进行了探讨，提出了一种包括六项分类任务和六项分割任务的基准测试以及可靠的评估方法，并报告了二十种基线模型的结果，旨在推动地球监测领域的模型进展。

Jun, 2023

评估IBM-NASA的Prithvi模型在洪水淹没区域的地理空间分析任务中的性能，并与其他卷积神经网络和视觉变换器架构进行比较，结果显示了Prithvi模型在未见过的区域中分割淹没区域的出色可迁移性，同时建议在多尺度表示学习、高级图像分析任务的端到端流程和输入数据波段的灵活性方面进一步改进。

Sep, 2023

在预训练基于互联网规模无标签数据的基础模型(Foundation Models，FMs)中，研究增至十亿级参数规模的FMs和高性能计算(HPC)训练，以应用于地理空间图像应用中，取得了较小规模模型的显著准确率提升。

Apr, 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

本研究针对地理空间基础模型在图像分析中的适应性不足问题，评估了NASA-IBM发布的GFM Prithvi在多个基准数据集上的预测性能。本文提出了一系列新策略，如波段适配和多尺度特征生成，以增强Prithvi的领域适应能力，提升模型的整体表现，为未来的视觉基础模型开发提供了重要见解。

Aug, 2024

本研究解决了基础模型在不同地理位置的泛化能力不足的问题，特别是在农业领域面临的迁移学习挑战。通过比较几种流行的基础模型，本研究发现专门为Sentinel-2设计的预训练权重在面临有限样本时表现优越，显示出在数据稀缺的地区应用的潜力。这项研究为改进作物分类方法提供了有效的见解，促进了开发中国家精准农业的发展。

Sep, 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