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

提出了一种称为组合划分的简单但有效的算法，该算法通过相交多个粗粒度分割地球的分割方式，生成大量细粒度的输出类，使我们能够在细粒度上预测位置，同时为每个类别保持足够的训练示例。该算法在多个基准数据集上实现了最先进的位置识别性能。

Aug, 2018

本文提出了一种代表性-区分性开放集识别(RDOSR)框架，通过从原始图像空间到嵌入特征空间的映射，以及进一步转换到所谓的丰度空间，增强了数据的代表性和区分性能力，解决卫星影像地表覆盖分类的开放集识别问题，并在多个卫星基准测试上证明了该方法的有效性。

Jul, 2020

本研究旨在建立卫星遥感图像分类的基准数据集（SATIN），以对广泛范围的视觉语言（VL）模型的零-shot传输分类能力进行全面评估，并发现SATIN是一个具有挑战性的基准数据集。该数据集涵盖了来自27个现有遥感数据集的元数据，并在分类准确率方面取得了52.0%的最高性能。

Apr, 2023

本文提出了一种新的地球观测图像分割流程，该方法利用基于效用矢量数据的地理瓦片技术，相对于现有的基于像素或通用Web映射方法，具有更灵活的自定义性、更稳定的空间瓦片范围，实验表明可以提高当前最先进的语义分割模型的结果。

Jun, 2023

利用条件DDPM模型生成高质量、多样化和准确的卫星图像，以及改进噪声调度、自适应归一化和自注意机制，通过算法和人类意见研究验证其在数据增强等实际应用中的有效性。

Sep, 2023

DiffusionSat是迄今为止最大的生成基础模型，使用公开可获得的大型高分辨率遥感数据集进行训练，实现对多个生成任务的解决，包括时间生成、多光谱输入的超分辨率和修复。同时它在卫星图像生成方面优于以前的最先进方法，也是第一个针对卫星图像的大规模生成基础模型。

Dec, 2023

我们提出了一种新的平铺策略，Flip-n-Slide，该策略在处理大型地球观测卫星图像时，当感兴趣对象（OoI）的位置未知且空间上下文对于类别消歧有必要时，提供了一种简洁而简化的方法，允许OoI在多个平铺位置和方向上表示。通过为每个平铺重叠保留不同的转换排列，我们增强了训练集的泛化能力，而不会误代表真实数据分布。我们的实验证实了Flip-n-Slide在地球物理研究中语义分割任务中的有效性，并且在所有评估指标上都优于以往状态的最新增强方法。对于低频类别，Flip-n-Slide的精确度提高了多达15.8%。

Apr, 2024

通过提出改进的Select-Mosaic数据增强方法，针对空中图像中大量密集小物体的检测挑战，该方法通过细粒度区域选择策略，在减少过拟合风险的同时，显著提高了检测模型的准确性和稳定性。

Jun, 2024

我们引入了混合视图全景合成的任务，其目标是在给定一小组输入全景图和一幅卫星图像的情况下合成新的全景图。通过采用基于扩散的建模和基于注意力的架构，我们的提议方法可以从所有可用的输入图像中提取信息，并成功处理当可用全景图稀缺或远离我们尝试合成的全景图位置的场景。

Jul, 2024