利用多视角方法，通过地面测量、无人机图像、摄影测量结果和手动调查的物种分类数据，将航拍图像直接生成预测，并准确地映射到地理空间坐标中，在树种分类任务中相对于传统地平面合成图像基准，将分类准确率从 53% 提高到 75%。

May, 2024

本研究旨在通过运用不同的机器学习和深度学习模型将亚马逊雨林的卫星图像碎片进行分类和标记，并通过 F2 度量来评估分类器的准确性和损失函数。经过预训练的 ImageNet 体系结构用于提取特征，最终实现了 0.927 的最佳 F2 得分。

Jan, 2022

本研究致力于解决遥感图像 open-set 场景下的语义分割技术的问题，开发出一种新的方法，并对其进行了评估，得出了与封闭集方法相同数据集相比具有竞争力的结果

Jan, 2020

本文提出了一个开放的多模式全天候映射数据集和挑战，包括光学和 SAR 数据，以及建筑物足迹标注，用于探索 SAR 数据在灾害响应和建筑物足迹提取方面的应用效果，发现使用光学预处理的 SAR 数据在建筑物足迹提取中取得了更好的效果。

Apr, 2020

对无人机应用中基于林冠和高速场景的最新地图算法进行全面评估和分析，以及对适用于无人机地图绘制的传感器技术进行全面探索和评估，通过模拟环境进行广泛实验来评估三种不同的地图算法，即直接稀疏视觉里程计（DSO），双目 DSO（SDSO）和轻量级 DSO（DSOL）的性能，并突出了这些算法的优劣势以及它们在现代无人机应用中的适用性。研究结果旨在为地图算法比较提供基准，并为选择针对特定无人机地图绘制应用定制传感器提供实际指导。

Jan, 2024

利用基于深度学习方法的卫星图像地表覆盖（LULC）分析对于了解发展中国家的地理、社会经济条件、贫困水平和城市扩张具有重要意义。在缺乏资金、缺乏专门的居住区 / 工业区 / 经济区、庞大的人口和多样化建筑材料的情况下，BD-SAT 提供了一种高分辨率数据集，包括达卡大都会城市及周边农村 / 城市地区的像素级 LULC 注释。通过严格和标准化的过程，使用 Bing 卫星图像创建了地面真实性数据，每个像素的地面空间距离为 2.22 米。我们进行了几个实验以建立基准结果，结果表明 BD-SAT 提供的注释足以训练具备足够准确性的大型深度学习模型，其中包括五个主要的 LULC 类别：森林、农田、建筑区域、水体和草地。

Jun, 2024

通过卫星图像的语义分割进行遥感技术研究，有利于了解和利用地球表面。本文提出一种低成本的标记方法，通过众包或预训练网络标记图像，并利用主动学习策略在第二步精细化标注图像。实验结果表明，对语义分割网络进行主动标注精化能够提高性能。

Sep, 2023

利用地球成像卫星阵列进行快速更新基础地图的先进机器学习技术，结合 SpaceNet 的图像标签与公共奖项竞赛加速影像判读自动化的建筑与道路网络提取，以解决人工标记不足的问题。

Jul, 2018

本文提出了一种代表性 - 区分性开放集识别 (RDOSR) 框架，通过从原始图像空间到嵌入特征空间的映射，以及进一步转换到所谓的丰度空间，增强了数据的代表性和区分性能力，解决卫星影像地表覆盖分类的开放集识别问题，并在多个卫星基准测试上证明了该方法的有效性。

Jul, 2020

本文研究了如何处理在应用深度学习技术识别危机管理时，数据高度不平衡的情况，探讨了多种技术并提出了一套综合方法，旨在提高少数类别分类的性能和模型可靠性。

Apr, 2020