本研究介绍一种旨在解决空中图像中物体分割问题的算法，并提出一种新的数据集 iSAID，包含 2,806 幅高分辨率图像和 655,451 个物体实例。在该数据集上的实验结果表明，现有的自然场景中的实例分割算法在直接应用于空中图像时表现欠佳，需要研究社区提出专门的解决方案。

May, 2019

利用卫星图像时间序列（SITS）的自监督预训练方法 (S4)，通过利用波段差异和地理信息进行预训练任务，从而显著降低对标记训练数据的需求，为 SITS 分割任务提供了一种有效且能使用有限标记数据的解决方案。

May, 2024

DeepISP 是一个全面的端到端深度神经模型，用于照相机图像信号处理（ISP）管道，学习从原始低光马赛克图像到最终具有视觉吸引力的图像的映射，并包括去马赛克、降噪以及色彩校正等低层次任务，以及更高层次的图像调整任务。该解决方案在 PSNR 的客观评估方面实现了最先进的性能，在完整的端到端管道中，相比制造商 ISP，在主观人类评估和由用于评估图像质量的深度模型评分时具有更好的视觉质量。

Jan, 2018

本研究提供了两个新的卫星数据集 SAT-4 和 SAT-6，以及一个卫星影像分类框架，该框架从输入图像中提取特征，将其标准化并将标准化的特征向量馈入深度置信网络进行分类。与其他算法相比，该方法在两个数据集上均表现优异，能有效地学习更好的卫星影像表现.

Sep, 2015

本调查总结了涵盖二十年的 SiS 研究，并提出了文献综述以及使用转换器的深度学习方法的最新趋势，并强调了 DASiS 技术的影响，其中包括多域学习，域泛化和在对新环境进行分割时削减域。项目还介绍了几个与语义图像分割相关的任务和应用，如医学图像分割。

Feb, 2023

通过引入包含不同应用领域（食品检查、遥感和回收）的创新基准数据集，本研究解决了目标数据集规模有限的限制，从而促进了高光谱图像模型能力的全面评估，并提供了最先进技术的深入研究和更加稳定的训练流程。

Sep, 2023

利用 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

Jun, 2019

本文研究了一项新任务，称为二元图像分割（DIS），目的是从自然图像中高精度地分割对象。我们收集了第一个大规模的 DIS 数据集，称为 DIS5K，包含 5470 个高分辨率图像，并使用极细粒度标签进行了注释。我们提出了一个简单的中间监督基线（IS-Net），用于 DIS 模型训练，并介绍了一个新的度量标准（HCE），用于衡量模型与实际应用之间的差距。最后，我们进行了最大规模的基准测试，评估 16 个代表性的分割模型，并展示了几个潜在的应用领域。

Mar, 2022

本文提出了一种新颖的移动物体对齐的平移不变全色增强框架 SIPSA-Net，该框架具有特征对齐模块和新设计的平移不变谱损失函数，实验结果表明，相对于现有技术，SIPSA-Net 在视觉质量和对齐方面均有很大的改进。

May, 2021

我们的研究聚焦于船舶图像的超分辨率问题，在基于扩散模型的架构中，利用文本条件的训练来生成超分辨率图像，同时探索了该模型在分类和目标检测等下游任务中的潜在应用。

Mar, 2024