- EO 数据语义分割分类算法的置信度评估
通过分割和像素级别的置信度评估,开发了用于遥感语义分割算法的置信度模型,并在 Copernicus Sentinel-2 卫星数据的地表覆盖分类等任务中表现出比其他基准模型更好的效果。
- 利用卫星影像时间序列进行连续城市变化检测,包括时间特征优化和多任务集成
该研究提出了一种基于深度学习和遥感技术的城市变化检测方法,采用连续多时相卫星图像,结合自注意力和分割技术,有效地识别了城市变化,与其他方法相比表现更加出色。
- 通用遥感变化检测的单时序监督学习
提出了一种新的单时序监督学习方法(STAR),用于遥感变化检测,通过利用未配对图像之间的变化来训练高准确性的变化检测器,并且适用于实际的双时序图像对。通过设计具有二进制变化检测、目标变化检测和语义变化检测能力的简单统一的 ChangeSta - 重新思考带有遮罩视图的遥感变化检测
该研究论文提出了一种使用遮罩视图的变化检测方法,其中包括了用于变化提取的 Siamese 骨干网络、像素解码器、变换器解码器和归一化检测器等组件,同时还提出了定制的改变检测任务实例网络 CDMaskFormer,该网络能在复杂情景下准确识别 - 半监督异构领域自适应中的解耦与伪标签
通过 SHeDD(Semi-supervised Heterogeneous Domain Adaptation via Disentanglement)这一端到端的神经网络框架,利用标记和未标记的来自不同数据源的数据,本研究旨在解决半监督 - 大规模遥感数据集上有效的掩码自编码器学习扩展
这篇研究介绍了 RS-4M,一个大规模的数据集,用于在遥感图像上进行高效的 Masked Image Modeling(MIM)训练。同时提出了一种名为 SelectiveMAE 的高效 MIM 方法,通过动态编码和重构一部分基于语义丰富性 - 深度度量学习驱动的遥感图像检索的标注成本高效主动学习
通过结合度量学习、主动学习以及不确定性估计等方法,提出了一种用于远程感知图像检索的低成本主动学习方法,该方法有效地减少了图像标注的成本,并在两个远程感知基准数据集上取得了显著的实验结果。
- 遥感图像中贫民窟映射的深度学习:元分析与综述
研究以 2014 年至 2024 年间的遥感影像为基础的贫民窟绘图,重点关注深度学习方法,展示了越来越复杂的神经网络结构、数据预处理和模型训练技术的进步,以显著提高贫民窟识别精确度,评估了在全球不同地理环境中有效的关键方法,并提出了克服数据 - RS-DFM:一种用于多样化下游任务的遥感分布式基础模型
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。
- RS-Agent: 智能代理自动化遥感任务
提出使用大型语言模型(LLM)驱动的遥感智能代理 RS-Agent 来解决遥感应用中的复杂问题,通过整合高性能的遥感图像处理工具和利用有力的知识文档回答专业问题,实验结果表明 RS-Agent 在场景分类等任务中具有出色性能。
- 椭圆核无监督自编码图卷积网络集成模型用于高光谱解混
通过应用 Autoencoder Graph Ensemble Model (AEGEM) 提出的集成模型工作流程,综合利用光谱分离技术和图卷积网络,该研究实现了对遥感图像中的端元进行提取和丰度估计,取得了优于传统算法的结果。
- BOSC: 一款用于航空影像绘图的工具箱
BOSC 是一个能够提取具有前所未有的准确性和效率的运动洞察力的工具箱,解决了当今无人机和卫星资源丰富的关键需求,实现了对空中图像的精确和高效标注。
- 使用 Transformer R-CNN 的去噪 FPN 实现微小目标检测
提出了一种新的框架,DeNoising FPN with Trans R-CNN (DNTR),用于改进微小目标检测的性能,通过引入 DN-FPN 模块和基于 Transformer 的 Trans R-CNN 检测器,结合对比学习和自注意 - MGIMM:面向属性引导的遥感影像细节描述的多粒度指令多模态模型
本文提出了一种属性引导的多粒度指令多模型(MGIMM),用于遥感图像的详细描述,并通过在区域级别指导调整实现了多模型的一致性学习。通过多颗粒度的视觉特征,MGIMM 可以充分感知区域级和全局图像信息,利用大语言模型对遥感图像进行全面的描述。 - LDM-RSIC: 探索远程感知图像压缩中的畸变先验与潜在扩散模型
通过利用潜在扩散模型的失真先验信息,提出了一种基于深度学习的遥感图像压缩方法,该方法利用生成的先验信息,通过增强网络实现对图像的质量提升。
- 远程感知中的卫星图像分类的 Kolmogorov-Arnold 网络
本研究提出了一种名为 KCN 的新方法,将 Kolmogorov-Arnold Network(KAN)与各种预训练的卷积神经网络(CNN)模型结合,以用于利用 EuroSAT 数据集进行遥感场景分类任务,取得了高准确性且仅需少量训练轮数和 - 负责任的地球观测人工智能
人工智能和地球观测技术的融合带来了前所未有的能力,特别是在环境监测、灾害响应和气候变化分析等全球性挑战中,人工智能对来自地球观测平台的数据分析具有重要影响。然而,快速整合人工智能需要仔细考虑其在这些领域中的应用所固有的责任维度。本文代表了在 - 遥感场景点云语义分割的双可变形点卷积
通过学习纬度 - 经度平面和高度方向上的可变形采样点,我们提出了新颖的卷积算子 —— 双可变形点卷积 (TDConvs),以实现自适应特征学习;在现有的流行基准测试上,实验证明我们的 TDConvs 达到了最佳的分割性能,超过现有的最先进方 - 基于 Transformer 的联合学习用于多标签遥感影像分类
通过研究最先进的转换器架构(即 MLP-Mixer、ConvMixer、PoolFormer)在非独立和非同分布的训练数据上实现联合学习,针对遥感中的多标签分类问题,在不同非独立和非同分布程度下,比较了这些转换器架构在训练数据异质性、局部训 - 遥感图像的组合检索
本文介绍了一种应用于遥感的组合图像检索方法,该方法允许通过图像示例和文本描述在大型图像库中进行查询,丰富了对单模态查询(无论是视觉还是文本)的描述能力。我们介绍了一种融合了图像 - 图像和文本 - 图像相似度的新方法,证明了视觉 - 语言模