远程扩散
提出了一种专门针对遥感图像生成的扩散建模框架 CRS-Diff,利用扩散模型的内在优势并整合先进的控制机制,以确保图像不仅在视觉上清晰,而且充满地理和时间信息。综合评估证明,CRS-Diff 在图像质量和多样性方面相对于之前的方法具有卓越的生成能力。
Mar, 2024
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
针对航空图像的合成数据增强框架,包括通过稀疏到稠密的感兴趣区域提取来弥合语义差距,使用低秩适应(LORA)对扩展训练进行优化,最后使用复制粘贴方法将合成物体与背景组合,为航空对象检测提供了一种细致入微的合成数据方法。
Nov, 2023
本研究提出了一种新颖的域自适应范式,利用遥感卫星数据来研究对比自监督表示学习和知识转移。通过在源数据集上进行自监督对比学习的预训练,并以循环交替的方式在目标数据集上进行下游任务,该方法实现了自监督知识转移,达到了最先进的性能和可解释的表示学习。
Apr, 2023
利用 SwiMDiff,本研究在遥感领域提出了一种新的自监督预训练框架,通过场景匹配方法有效地重新校准标签,使对比学习更适用于无标签遥感图像,并通过像素级扩散约束增强编码器的能力,更综合地捕捉图像的全局语义信息和细粒度特征。该框架在遥感领域的改变检测和土地覆盖分类任务中展现了出色的性能,证实了其在遥感领域的重要实用价值。
Jan, 2024
扩散模型在遥感领域具有巨大潜力,在图像处理方面取得了重要进展。该研究对扩散模型在遥感领域的应用进行了全面回顾,涵盖了图像生成、增强和解释等方面,并对现有模型的局限性与进一步研究方向进行了探讨和总结。
Apr, 2024
遥感图像变化标题生成(RSICC)旨在生成人类化语言,描述双时相遥感图像对之间的语义变化。我们提出了一种概率扩散模型来解决传统变化标题生成任务中的像素级差异对地形变化定位的影响,并在 LEVIR-CC 数据集上进行了广泛实验,展示了我们 Diffusion-RSCC 的有效性及其各个组成部分。
May, 2024
深度学习模型应用于遥感语义分割 / 分类任务,需要大规模训练数据,但由于地理区域之间遥感图像内容的差异性,其可迁移性不足。本研究利用四个高度多样化的遥感数据集,训练了六个模型,并分析了它们之间的可迁移性以及领域适应方法在提高模型可迁移性方面的效果。此外,提出了一种基于光谱指数的简单方法来量化模型的可迁移性,在标签不可用时评估目标领域的模型可迁移性。该研究的发现有助于指导通用遥感学习模型的未来发展。
Oct, 2023