Jun, 2024

RS-DFM：一种用于多样化下游任务的遥感分布式基础模型

PDF
TL;DR提出了一种基于广义信息映射和交互的远程感知分布式基础模型（RS-DFM），可以通过将观测映射到统一空间并实施任务不可知的信息交互策略，实现多平台和各种下游任务的在线协同感知。
remote sensingdistributed foundation modelcollaborative perceptioninformation mappingdownstream tasks
发现论文，激发创造
  • RS5M：一种用于遥感视觉语言的大规模数据集和基础模型

    本文提出了一种新的框架，包括领域基础模型（DFM），该模型缩小了通用基础模型（GFM）和特定领域下游任务之间的差距，并通过预训练的 VLM 将筛选后的遥感图像与英文描述进行配对，构成了第一个大规模遥感图像 - 文本匹配数据集。在该数据集上的实验结果表明，使用上述数据集和提出的 DFM 方法的零样本分类和视觉语言检索任务的性能都较好，并且 RS Stable Diffusion 模型的训练也取得了成功的结果。

    Jun, 2023

  • RSBuilding: 通向通用遥感图像建筑目标提取和变化检测的基础模型

    提出了一种综合的遥感图像建筑理解模型，具有跨场景泛化和任务普适性，可以同时处理建筑提取和变化检测等两个结构不同的任务，并展现出鲁棒的零样本推广能力。

    Mar, 2024

  • 在多传感器地理空间基础模型中连接远程传感器

    msGFM 是一个多传感器地理空间基础模型，有效地汇集来自四个关键传感器模态的数据，适用于各种类型的传感器，包括遥感图像分类、分割、云去除和泛光等任务，为发展多传感器地理空间预训练模型提供指南。

    Apr, 2024

  • SkySense: 一种面向地球观测影像的多模态远程感知基础模型

    SkySense 是目前最大的多模态遥感基础模型，通过多种模态的时空序列输入，采用 Multi-Granularity Contrastive Learning 和 Geo-Context Prototype Learning 进行预训练学习，能灵活结合或单独使用其模块以适应各种任务，并在 16 个数据集上的 7 个任务中表现出了卓越的泛化能力，超过了 18 个最新的遥感基础模型。

    Dec, 2023

  • CRS-Diff: 可控卫星遥感基础模型生成

    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

  • 用于土地覆盖分类的多模态遥感基准数据集和共享特征学习模型

    本文提出了一个用于遥感数据的前沿技术 —— 共享和特定特征学习（S2FL）模型。该模型不仅可以将多模式遥感数据分解为模态共享和模态特定组件，更可以在陆地覆盖分类等多方面任务上发挥有效作用，达到其前沿性和先进性的地位。

    May, 2021

  • FMARS：使用基础模型为灾害管理注释遥感图像

    介绍了 FMARS（Foundation Model Annotations in Remote Sensing）的方法，利用 Very-High Resolution（VHR）遥感图像和基础模型进行快速和鲁棒的标注，重点关注灾害管理，并提供了一个大规模数据集，用于训练分割模型和提高转移能力。

    May, 2024

  • MFDS-Net: 远程感知变化检测的多尺度特征深度监督网络，融合全局语义和细节信息

    MFDS-Net 是一种基于全局语义和细节信息的多尺度特征深度监督网络，旨在更精细地描述变化的建筑和地理信息，增强变化目标的定位和弱特征的提取。

    May, 2024

  • 一切于一：走向地球视觉统一基础模型

    采用单一的 Transformer 骨干网络，将多种数据模态与不同空间分辨率结合，解决了当前基础模型在地球视觉领域的多个下游任务中的适用性问题。

    Jan, 2024

  • 遥感图像亿级基础模型

    本文研究了模型参数数量增加对远程遥感领域中基础模型在旋转物体检测和语义分割等下游任务性能的影响，并通过实验验证了模型参数数量的增加可以提升模型性能和数据效率，进而提出了一种有效的基于视觉变换器进行扩展和微调的远程遥感领域的方法。

    Apr, 2023