针对不同地理位置采集的卫星图像在波段上存在差异，我们提出了一种语义分割框架，其中关键组件是 Color Mapping Generative Adversarial Networks（ColorMapGAN），它可以生成与测试图像的光谱分布类似的伪造训练图像，在精细调整训练分类器的同时，有效地解决了现有方法在生成满意地图方面存在的问题。

Jul, 2019

利用合成孔径雷达和光学图像融合能够显著提高农作物分类的准确性，但是传统方法在处理少数类别农作物的训练数据方面仍存在限制。本研究中，我们探索了条件表生成对抗网络（CTGAN）作为一种基于深度学习网络的合成数据生成方法，以解决农作物分类中少数类别训练数据有限的挑战。研究结果表明，该方法可以生成高质量的合成数据，显著增加少数类别样本数量，从而提高农作物分类器的性能。

Feb, 2024

本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

May, 2019

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用，并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾，讨论了 GAN 的挑战和机遇。

Apr, 2022

本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

Nov, 2022

本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

Dec, 2016

基于图像的作物生长建模可通过展示随时间变化的空间作物发展情况，为精确农业做出重要贡献。我们提出了一个两阶段的框架，包括图像预测模型和生长估计模型，可以独立进行训练，并允许模拟多种生长影响因素依赖的时间变化的人工图像，从而进行作物表型分析。该框架具有潜力作为图像和过程结合的作物生长模型的接口。

Dec, 2023

本文介绍了一种处理多源数据对抗问题的方法：StandardGAN，该方法在单一目标域的基础上，标准化每个源和目标域数据的分布，实验表明，StandardGAN 生成的标准化数据使分类器生成更好的语义分割。

Apr, 2020

本文提出了一种基于卷积神经网络的交叉域泛化图像分类方法，通过 Augmentation Layer 增强 CNN 的中间特征图以提高模型在跨域数据上的泛化能力，实验结果表明本方法在 PACS、VLCS、Office-Home 和 TerraIncognita 等数据集上表现优异。

May, 2023