我们提出了一种用于支持清除地雷任务的 RELand 系统，它包括三个主要组件：增强全球排雷常规数据集的一般特征工程和标签分配指南，将地雷存在问题转化为分类问题并设计了一种基于稀疏特征屏蔽和不变风险最小化的新型解释模型，在类似于实际排雷操作的适当协议下进行了广泛评估并显示出与现有技术相比的显著改进，并构建了一个交互式网络界面来为排雷组织提供优先区域建议。我们目前正在哥伦比亚与一家人道主义排雷非政府组织合作，该组织正在将我们的系统作为一部分用于其最近确定为排雷优先区域的两个地区的现场操作。

Nov, 2023

本文介绍了一种 AI 辅助人力资源发展和人员评估的方法。利用无监督异常检测算法从视频中提取非语言行为信息，为人员评估提供支持，并保持人工评估师对系统的信任度。

Apr, 2022

提出了一种新的轻量级模型 ——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

Apr, 2023

本文介绍了一个名为 DASS 的建模系统，该系统支持协同人 - 机模型开发和验证，以估计头颈癌患者放疗剂量相关的长期毒性，并且该系统融合了人工智能和数据挖掘算法，可以处理具有空间信息的数据。通过此系统，开发了两种临床分层模型，并报告了领域专家的反馈。最后，总结了这个协作经验中的设计经验教训。

Apr, 2023

地理人工智能（GeoAI）在测绘学中的应用与研究展现了巨大潜力，同时也引发了伦理问题的关注，本文通过对 GeoAI 和测绘学整合的研究进行综述和分析，总结了关于 GeoAI 在测绘设计中的应用方法以及相关的伦理挑战，并提出了未来的研究方向。

Dec, 2023

人文地理学中人工智能的最新进展和应用主要集中在机器（深度）学习方面，包括地点表示与建模，空间分析与预测性映射，城市规划与设计。这一交叉学科合作将有助于推动 GeoAI 的发展，为所有人创造一个更好和可持续发展的世界。

Dec, 2023

通过使用深度学习技术来精确评估自然灾害中建筑损害，在利用遥感数据的背景下进行实现。我们探索使用来自全球各地的多样化灾难事件的 xBD 数据集作为主要焦点，以评估深度学习模型。我们解决了推广到新灾难和地区的挑战，同时考虑了自然灾害数据中固有的低质量和噪声标签的影响。此外，我们的研究定量地证明了对于有效的建筑损害检测，最低的卫星图像分辨率为 3 米，对于使用对称和非对称分辨率摄动分析的分类低于 1 米。为了实现对建筑损害检测和分类的稳健准确评估，我们评估了具有残差、压缩和激活以及双路径网络主干的不同深度学习模型，以及集成技术。总体而言，F-1 得分为 0.812 的 U-Net Siamese 网络集成在 xView2 挑战基准测试中表现最好。此外，我们还将对所有灾害进行训练的通用模型与洪水专家模型进行评估，并调查了在 Ahr Valley 的领域数据中的事件间通用性差距和分布。我们的研究发现展示了先进人工智能解决方案在增强气候变化引发的极端天气事件（如洪水和飓风）影响评估方面的潜力和局限性。这些见解对于在不断升级的气候挑战面前的灾害影响评估具有重要意义。

Sep, 2023

本文重申了 GeoAI 开放研究方向的现状、最新发展和新兴议程，呼吁各领域的社区共同参与跨学科的交流。

Oct, 2022

本文描述了利用分层多尺度注意模型，主动学习语义分割和 Crowd+AI 评估人行道状态和易达性特征等方法，从卫星图像中半自动构建人行道网络拓扑结构的初步工作，并呼吁建立标准化的步行街景场景数据库和基准。

Jun, 2022

通过无人机数据与深度学习方法的结合，实现自动化和大规模的情况评估，同时证明了无人机的自主投送能够集成机载图像处理技术，提高运载救援物资的安全性。

Aug, 2023