该研究提出了一种新的机器学习数据集，可以用于检测非正式聚居地，同时表明使用免费的低分辨率卫星图像进行非正式聚居地侦测是可行的，并演示了两种有效的分类方案，可将这些方案集成到半自动化流水线中。

Jan, 2019

本研究基于多元时间城市发展卫星数据集(MUDS)，利用计算机视觉技术和时间序列分析方法来跟踪建筑物，评估城市化和人造或自然灾害的进程。

Feb, 2021

提供了一种高效的元数据考古框架，通过使用简单的转换和利用学习动态的差异来揭示和推断数据集中示例的元数据。

Sep, 2022

通过人工智能的对象检测神经网络技术，在考古学目录中快速、自动和标准化地收集数据，同时记录几何整体轮廓。

Nov, 2023

19世纪的地籍是历史学家和考古学家的一个复杂且丰富的来源，使用时面临巨大挑战。我们使用卷积神经网络和视觉变换器训练了几个深度学习模型，从这种知识表示中提取大规模数据。我们在这里展示了我们工作的主要结果，并展示了我们基于浏览器的工具的演示，该工具使研究人员和公众利益相关者能够快速识别出19世纪弗朗西斯喜安地籍中具有建筑物的地点。这个工具不仅支持学者和研究人员更好地理解斯泰里亚地区的定居历史，还帮助公共行政机构和公民迅速确定文化遗产敏感区域。

Dec, 2023

利用卫星图像和隐私增强的移动数据相结合的新型数据融合方法，用于增强实时或历史事件推断任务，应用场景包括农村地区的小规模灾害检测（如龙卷风、野火和洪水）、偏远荒野地区失踪徒步者的搜救以及战乱国家的活动冲突区域和人口流离失所地的识别。

Jan, 2024

Lithic Use-Wear Analysis research investigates the effectiveness of pre-trained models for microscopic image classification and the influence of magnification and sensing modality on accuracy, providing opportunities for vision and learning communities.

Mar, 2024

利用深度学习方法对卫星图像时间序列数据进行环境、农业和其他地球观测变量的建模的最新方法进行了综述，为遥感专家提供了一个利用时间信息增强地球观测模型的资源。

Apr, 2024

该研究评估了PRISMA卫星产品在地质考古勘探中的可用性，对比了三种泛锐化方法并测试了在意大利Aquileia考古景观上的效果，结果表明在特定条件下，泛锐化技术使高光谱卫星图像非常适用于识别不同大小的地下考古遗迹。

Apr, 2024

通过使用合成孔径雷达卫星图像时间序列，结合现有的手动损伤评估和云端地理空间分析工具作为基本真实数据，本研究提出了一种可扩展且可复制的方法，用于估算战争导致的建筑损害，并通过使用开放式建筑物边界对这些评估进行后处理，使人道主义组织和其他相关方能够快速筛查大范围的地理区域中的战争影响。

Jun, 2024