基于深度学习的 Prithvi 地球观测模型通过高效前期训练和微调，成功实现地球观测领域多个任务的优化，证明了预训练模型在加速微调过程以及在性能上优于随机初始化权重的作用，并表明可显著减少可用标注数据的数量而不影响模型准确性。

Oct, 2023

基础模型在遥感任务中的适用性取决于自监督学习任务与实际下游任务的一致性，而传统机器学习模型在某些场景下表现得更好，尤其是在纹理不适用于分类的任务中。

Apr, 2024

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

该研究提出了一种基于地理知识驱动的遥感图像表示学习方法，该方法提高了网络性能，减少了对注释数据的需求，证明了该方法可以作为神经网络预训练的一种新典范。

Jul, 2021

本篇论文综合研究了遥感图像检索中的特征提取、相似度度量和相关反馈三个核心问题，并提出使用深度学习方法解决特征提取问题，对可能影响深度特征性能的相关因素进行了系统调查，并在公共数据集上获得了显著的检索结果。

Jul, 2017

本文介绍了一种应用于遥感的组合图像检索方法，该方法允许通过图像示例和文本描述在大型图像库中进行查询，丰富了对单模态查询（无论是视觉还是文本）的描述能力。我们介绍了一种融合了图像 - 图像和文本 - 图像相似度的新方法，证明了视觉 - 语言模型具有足够的描述能力，无需进一步的学习步骤或训练数据。我们提出了一个新的评估基准，重点关注颜色、上下文、密度、存在性、数量和形状的修改。本工作不仅在此任务中取得了最新的技术成果，同时也填补了遥感图像检索领域的空白。

May, 2024

本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。

Nov, 2017

提出了一种新颖的遥感预训练框架 GeRSP，用于从遥感和自然图像中学习强大的表示，并在改进遥感下游任务的性能上取得了一致的实验结果。

Jan, 2024

我们提出了一种基于视觉语言模型训练遥感图像的方法，无需使用任何文本注释。我们的关键洞察力是使用地面上的互联网图像作为遥感图像和语言之间的中介。通过使用大量的配对互联网和卫星图像，我们训练了遥感图像的图像编码器与 CLIP 的图像编码器对齐。我们的无监督方法使得能够训练一种新型的大规模遥感图像视觉语言模型 (VLM)，适用于两种不同分辨率的遥感图像。我们展示了这些 VLM 在卫星图像的零样本、开放词汇的图像分类、检索、分割和视觉问答任务中的能力。我们的无需文本注释的 VLM 在这些任务的每个方面都优于现有有监督训练的 VLM，分类任务上最高提升了 20%，分割任务上提升了 80%。

Dec, 2023

该研究旨在通过利用高维光谱波段重新构建可见颜色，从卫星图像中学习有意义的表示，以进行地表覆盖分类和航空监测等深度学习技术的研究。

Jun, 2020