本文综述了目前最新的遥感深度学习研究进展及理论、工具和挑战,并着重讨论深度学习系统的未解决的挑战和机遇,包括数据不足、模拟物理现象的人类可理解解决方案、大数据、非传统异构数据源、光谱、空间和时间数据的深度学习架构和学习算法、迁移学习、更好的理论理解深度学习系统、高门槛和深度学习的训练和优化。
Sep, 2017
本文提供了在计算机视觉和地球观测社区中基于深度学习的对象检测的综合研究进展,并提出了一个公开的大规模测量数据,即DIOR数据集,其可帮助研究人员开发和验证数据驱动的方法。
Aug, 2019
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
本文发现了先前知识蒸馏方法中存在的小数据陷阱并证明了对于大规模数据集,纯粹的知识蒸馏框架可以用更强的数据增强技术和使用更大的数据集来缩小与其他知识蒸馏方法之间的差距,从而使其在大规模情况下效果惊人。
May, 2023
在遥感环境下评估了各种现成的目标检测知识蒸馏方法,比较了其性能和相互关系,并确认在遥感数据集上结果聚合和交叉验证的重要性。
Jul, 2023
提出了一种新的注重注意力的特征蒸馏(AFD)方法,通过从教师检测器中蒸馏本地和全局信息,实现了目标检测模型在资源有限的边缘设备上的高效性能。
Oct, 2023
影像融合在遥感中是一个重要需求,本研究通过简单分类法对相关作品进行综述,涵盖了各种类型的影像融合及其应用,同时提出了开放性研究方向和未来可能的工作。
Jan, 2024
知识蒸馏和半监督学习方法相结合的半监督学习知识蒸馏(SSLKD)方法在道路分割应用中表现出显著的学生模型性能提升,超过传统半监督学习方法的效果。
Feb, 2024
本文旨在提出一种基于知识蒸馏的部分多任务学习方法,以克服在缺乏所有任务标注的情况下进行全面多任务学习的次优性,并通过在航空图像中进行的对象检测和语义分割等语义任务的实验验证了该方法的有效性。
May, 2024
本研究针对遥感领域中人工智能基础模型的应用进行了全面综述,填补了现有文献在2021年6月至2024年6月之间发布的模型分析中的空白。论文提出了新的见解,特别强调自监督学习等预训练方法对提升模型性能和稳健性的关键作用,以及为遥感任务(如场景分类和目标检测)带来的显著进展和未来研究方向。
Aug, 2024