EarthMapper: A Tool Box for the Semantic Segmentation of Remote Sensing Imagery
Carlson Center for Imaging Science, Rochester Institute of Technology（卡尔森成像科学中心，罗切斯特理工学院）
深度学习继续推动颜色语义分割的最新性能（即，RGB）图像;然而，许多遥感传感器（即高光谱图像（HSI））缺乏注释数据，使研究人员无法利用最近的成功。由于生成传感器特定的数据集是时间密集型和成本高昂的，遥感研究人员已经接受了深度无监督特征提取。虽然这些方法已经在当前的HSI基准上推动了最先进的性能，但许多研究人员并不容易使用这些工具。在这封信中，我们介绍了一个软件管道，我们称之为EarthMapper，非RGB遥感图像的语义分割。它包括自学空间光谱特征提取，各种标准和深度学习分类器，以及用于后处理的无向图形模型。我们在Indian Pines和Pavia University数据集上评估了EarthMapper，并发布了此代码供公众使用。
2018-04-01 cs.CV cs.LG stat.ML
Remote Sensing-Based Assessment of Economic Development
利用卫星夜间灯光与遥感数据统计估算新加坡经济发达程度，为政策制定者提供干预与支持领域信息，助力基础设施、农业、城市规划及资源管理政策制定。
2024-11-07 cs.LG
What do We Learn by Semantic Scene Understanding for Remote Sensing imagery in CNN framework?
School of Geosciences and Info Physics, Central South University（中南大学地球科学与信息物理学院）
近年来，深度卷积神经网络（DCNN）在自然图像识别领域取得了越来越显著的成功并迅速发展。与自然图像相比，遥感图像的尺度更大，所代表的场景和目标更宏观。本研究探讨了遥感场景与自然场景识别是否存在差异，并提出了以下问题：遥感场景识别的关键因素是什么？以物体识别为核心的DCNN识别机制是否还适用于遥感场景理解的场景？我们进行了几个实验，从场景复杂度的角度探讨DCNN结构和遥感场景理解的规模的影响。我们的实验表明，理解一个复杂的场景取决于一个深入的网络和多尺度感知。采用可视化的方法，定性和定量地分析了复杂遥感场景中的识别机制，论证了多目标联合语义支持的重要性。
2017-05-19 cs.CV cs.LG
Remote Sensing-Oriented World Model
University of Technology Sydney (UTS)（悉尼技术大学）；University of Chinese Academy of Sciences (UCAS)（中国科学院大学）；University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）；Peking University（北京大学）
本文提出首个面向遥感的世界模型框架，通过RemoteBAGEL模型在RSWISE基准上实现空间推理的高效外推。
2025-11-29 cs.LG
Remote Sensing Vision-Language Foundation Models without Annotations via Ground Remote Alignment
Cornell University（康奈尔大学）；Columbia University（哥伦比亚大学）
本研究提出以配对的地面互联网图像为中介、通过无监督方式将遥感图像编码器与CLIP对齐的方法，训练出首个无文本标注的遥感大规模VLM，在多项零样本开放词汇任务上性能超越有监督模型。
2023-12-12 cs.CV cs.LG
DDIPNet and DDIPNet+: Discriminant Deep Image Prior Networks for Remote Sensing Image Classification
S\ a o Paulo State University - UNESP Department of Computing Bauru, SP - Brazil
遥感图像分类的研究对城市规划和农业等人类日常工作具有重要影响。如今，技术的快速进步和许多高质量的遥感图像的可用性创造了可靠的自动化方法的需求。当前的论文提出了两种用于图像分类目的的基于深度学习的新架构，即，Discriminant Deep Image Prior Network和Discriminant Deep Image Prior Network+，结合了Deep Image Prior和Triplet Networks学习策略。在三个著名的遥感图像数据集上进行的实验取得了最先进的结果，证明了使用深度图像先验进行遥感图像分类的有效性。
2022-12-20 cs.CV cs.LG
LSKNet: A Foundation Lightweight Backbone for Remote Sensing
Nankai University（南开大学）；Academy of Advanced Technology Research of Hunan（湖南先进技术研究院）；NKIARI
针对遥感图像目标识别需长程上下文先验的问题，提出轻量级大选择性核网络骨干LSKNet，通过动态调整空间感受野，在分类、检测和分割基准上取得新SOTA。
2025-08-09 cs.CV cs.LG
Hedgementation = Hedgerow Segmentation: A Remote Sensing Benchmark
UBC CS（不列颠哥伦比亚大学计算机科学系）；UBC IRES & FRE（不列颠哥伦比亚大学资源、环境与可持续发展研究所与林业资源与环境系）；INSAT Tunisia（突尼斯国家应用科学学院）；Vector Institute（向量研究所）
提出Hedgementation基准，用于评估机器学习模型从遥感数据中绘制全国尺度10m²分辨率树篱图的能力，结合多源遥感数据和法国树篱清单，测试三种基线模型在空间距离和气候区上的泛化性能。
2026-06-23 cs.CV cs.LG
Supervised Classification Performance of Multispectral Images
Madurai Kamaraj University（马杜赖卡马尔吉大学）
如今，政府和私人机构将遥感图像用于从军事应用到农业发展的广泛应用。这些图像可以是全色、多光谱、高光谱甚至超光谱的。遥感图像分类是遥感最重要的应用领域之一。一些图像分类算法在遥感数据分类中已被证明具有较好的精度。但是，近年来，随着遥感数据的时空维度的增加，传统的分类算法暴露出了不足，需要在遥感图像分类领域进行进一步的研究。因此，需要一个有效的分类器对遥感图像进行分类，提取信息。我们正在试验监督和非监督分类。在这里，我们比较不同的分类方法和它们的性能。实验结果表明，马氏分类器的分类效果最好。
2010-02-22 cs.CV cs.LG
Kronecker Product Feature Fusion for Convolutional Neural Network in Remote Sensing Scene Classification
Xi'an Institute of Optics and Precision Mechanics of CAS（中国科学院西安光学精密机械研究所）
针对遥感场景分类任务，提出基于克罗内克积的新型特征融合算法KPFF，统一了加法与拼接融合方法并明确反向传播过程，实验验证其可有效提升CNN分类准确率。
2024-01-08 cs.CV cs.LG
State Space Models Meet Remote Sensing: A Survey
Shen Yuan Honors College, Beihang University（北航沈元荣誉学院）；Department of Aerospace Intelligent Science and Technology, School of Astronautics, Beihang University（北京航空航天大学宇航学院航天智能科学与技术系）；State Key Laboratory of Virtual Reality Technology and Systems, Beihang University（北京航空航天大学虚拟现实技术与系统国家重点实验室）；Qian Xuesen Laboratory of Space Technology, China Academy of Space Technology（中国空间技术研究院钱学森空间技术实验室）
本文综述了状态空间模型（SSM）在遥感中的应用，分析了其在密集视觉预测、多模态和时序遥感数据中的优势，并总结了架构设计进展与未来挑战。
2026-06-25 cs.CV cs.LG
There is no data like more data -- current status of machine learning datasets in remote sensing
Munich University of Applied Sciences（慕尼黑应用科学大学）；K. N. Toosi University of Technology（KN图西理工大学）；German Aerospace Center (DLR)（德国航空航天中心）
注释数据集已成为开发和评估基于机器学习的方法的最重要的先决条件之一，这些方法旨在对遥感数据进行自动判读。在本文中，我们回顾了这类数据集的历史发展，讨论了它们的功能的基础上选择的几个例子，并解决未来发展的开放问题。
2021-06-17 cs.LG eess.IV
Evaluating Self and Semi-Supervised Methods for Remote Sensing Segmentation Tasks
Google Research India（谷歌印度研究院）；Google LLC（谷歌有限责任公司）
自监督和半监督机器学习技术利用未标记的数据来提高下游任务性能。这些方法对于遥感任务特别有价值，因为制作标记的地面实况数据集可能非常昂贵，但可以轻松获得大量未标记的图像。我们进行了严格的评估Simplified，一种自我监督的方法，和FixMatch，一种半监督的方法，在三个遥感任务：河床分割，土地覆盖制图，洪水制图。当原始监督数据集之外的其他图像可用于训练时，我们量化了这些遥感分割任务的性能改进。我们还设计了实验来测试这些技术的有效性时，测试集是域转移到不同的地理区域的样本相比，训练和验证集。我们发现，这种技术显着提高泛化性能时，标记的数据是有限的，有地理域之间的训练数据和验证/测试数据的变化。
2022-06-19 cs.CV cs.LG
Supervising Remote Sensing Change Detection Models with 3D Surface Semantics
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
遥感变化检测，识别同一位置的场景之间的变化，是一个活跃的研究领域，具有广泛的应用。多模态自我监督预训练的最新进展已经产生了最先进的方法，这些方法超过了仅在光学图像上训练的视觉模型。在遥感领域，有大量的重叠的2D和3D模态，可用于监督视觉模型中的表示学习。在本文中，我们提出了对比表面图像预训练（CSIP）的联合学习使用光学RGB和地上水平（AGL）的地图对。然后，我们在几个建筑物分割和变化检测数据集上评估这些预训练模型，以表明我们的方法确实提取了与自然和人工表面信息相关的下游应用相关的特征。
2022-02-26 cs.CV cs.LG
Efficient Few-Shot Learning in Remote Sensing: Fusing Vision and Vision-Language Models
Cranfield University（克兰菲尔德大学）；University of Oxford（牛津大学）
本研究融合YOLO与视觉-语言模型，提升遥感图像飞机检测与场景理解，在少样本条件下实现MAE改善48.46%、CLIPScore提升6.17%。
2025-10-15 cs.AI cs.CV cs.LG
The Winning Solution to the iFLYTEK Challenge 2021 Cultivated Land Extraction from High-Resolution Remote Sensing Image
Beijing Forestry University（北京林业大学）；Tsinghua University（清华大学）；Chinese Institute for Brain Research (CIBR)（中国脑科学研究中心（CIBR））
从高分辨率遥感影像中准确提取耕地是精准农业的基础工作。这份报告介绍了我们对科大讯飞挑战赛2021的解决方案，即从高分辨率遥感图像中提取耕地。这一挑战要求在非常高分辨率的多光谱遥感图像中分割耕地对象。我们建立了一个高效的管道来解决这个问题。我们首先将原始图像分成小块，并分别对每个小块进行实例分割。我们探索了几种适用于自然图像的实例分割算法，并开发了一套适用于遥感图像的有效方法。然后，我们合并的预测结果的所有小瓦片无缝，连续的分割结果，通过我们提出的拼接瓦片融合策略。我们在486支参赛队伍中获得第一名。
2022-02-25 cs.AI cs.CV cs.LG
Low-Shot Learning for the Semantic Segmentation of Remote Sensing Imagery
Rochester Institute of Technology（罗切斯特理工学院）
使用RGB图像的深度学习的计算机视觉的最新进展（例如，对象识别和检测）已经成为可能，这要归功于大型注释RGB图像数据集的发展。相比之下，多光谱图像（MSI）和高光谱图像（HSI）数据集包含的标记图像要少得多，部分原因是所使用的传感器种类繁多。这些注释特别限于遥感图像的语义分割或逐像素分类，因为生成图像注释是劳动密集型的。尽管标注数据量较小，低次学习算法也可以进行有效的推断。在本文中，我们研究了低拍摄学习使用自学特征学习语义分割。我们介绍了1）一个改进的自学特征学习框架的HSI和MSI数据和2）半监督分类算法。当这些结合起来，他们实现国家的最先进的性能遥感数据集，几乎没有注释训练数据可用。这些低拍摄学习框架将减少手动图像注释的负担，提高遥感图像的语义分割性能。
2018-03-26 cs.CV cs.LG
SkyScript: A Large and Semantically Diverse Vision-Language Dataset for Remote Sensing
Stanford University（斯坦福大学）
针对遥感领域缺乏大规模语义多样化图像-文本数据集的问题，提出SkyScript数据集（260万图像-文本对，29K语义标签），通过持续预训练使VLM在零样本场景分类中平均准确率提升6.2%。
2023-12-20 cs.AI cs.CV cs.LG
Training general representations for remote sensing using in-domain knowledge
Google Research（谷歌研究院）
自动寻找良好和一般的遥感表示允许在广泛的应用上执行迁移学习-提高准确性并减少所需的训练样本数量。本文研究了通用遥感表示的发展，并探讨了哪些特征对于数据集成为表示学习的良好来源是重要的。对于这种分析，五个不同的遥感数据集被选择和使用，不相交的上游表示学习和下游模型训练和评估。一个共同的评估协议用于为这些数据集建立基线，以实现最先进的性能。正如结果所示，特别是在可用训练样本数量较少的情况下，与从头开始训练模型或仅在ImageNet上进行微调相比，当包括额外的域内数据时，可以观察到显着的性能增强（在100个训练样本时，分别高达11%和40%）。所有数据集和预训练的表示模型都在线发布。
2020-09-30 cs.CV cs.LG
Semi-Supervised Fine-Tuning for Deep Learning Models in Remote Sensing Applications
提出了一种结合深度学习和半监督学习的方法来解决土地覆盖识别问题。所提出的方法展示了在训练期间使用SSL方法作为性能函数时对深度学习模型性能的影响。在正射图像的像素级分割任务中，所获得的结果表明SSL增强的损失函数可以有益于模型的性能。
2020-05-30 cs.CV cs.LG
Advantages and Bottlenecks of Quantum Machine Learning for Remote Sensing
Massachusetts Institute of Technology (MIT)（麻省理工学院）；University of Sannio（桑尼奥大学）；European Space Agency（欧洲航天局）；Italian Space Agency（意大利航天局）
这篇概念论文旨在简要介绍量子计算机，探索量子图像分类技术的现有方法，因此专注于遥感应用，并讨论在当前可用的开源平台上执行这些算法的瓶颈。初步结果证明了可行性。接下来的步骤包括扩展量子隐藏层的大小，并增加输出图像选项的种类。
2021-06-30 cs.AI cs.LG quant-ph
A review of machine learning in processing remote sensing data for mineral exploration
University of Tehran（德黑兰大学）；Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工学院））；University of Sydney（悉尼大学）；University of New South Wales（新南威尔士大学）
近年来新发现的矿床数量的下降和对不同矿物需求的增加，促使勘探地质学家寻找更有效和创新的方法，用于在矿物勘探的每个阶段处理不同的数据类型。作为第一步，绘制各种特征，如岩性单位、蚀变类型、结构和指示矿物，以帮助决策确定矿床目标。不同类型的遥感数据集，如卫星和航空数据，使人们有可能克服与地质特征测绘有关的常见问题。从不同平台获得的遥感数据量的快速增加鼓励科学家开发先进、创新和强大的数据处理方法。机器学习方法可以帮助处理广泛的遥感数据集，并确定反射率连续体和感兴趣的特征等成分之间的关系。这些方法在处理光谱和地面实况测量时对噪声和不确定性具有鲁棒性。近年来，利用遥感数据辅助地质调查已成为地学研究的重要内容。本文提供了一个全面的审查的实施和适应的一些流行的和最近建立的机器学习方法处理不同类型的遥感数据，并调查其应用检测各种矿床类型。我们展示了结合遥感数据和机器学习方法绘制不同地质特征的高能力，这些地质特征对于提供潜在的地图至关重要。此外，我们发现有先进的方法来处理新一代的遥感数据，以创建改进的矿产远景图的空间。
2021-12-04 cs.CV cs.LG stat.AP
Reef-insight: A framework for reef habitat mapping with clustering methods via remote sensing
Manipal Institute of Technology（马尼帕尔理工学院）；University of Sydney（悉尼大学）；UNSW Sydney（悉尼新南威尔士大学）
提出无监督机器学习框架Reef-Insight，结合遥感数据评估四种聚类方法，成功生成详细珊瑚礁栖息地地图，为珊瑚礁恢复项目提供支持。
2023-06-27 cs.AI cs.CV cs.LG
Conditional Denoising of Remote Sensing Imagery Using Cycle-Consistent Deep Generative Models
Cervest Ltd.（Cervest有限公司）
利用遥感图像进行环境建模和向飓风救济工作等人道主义行动提供实时支助的潜力已得到充分确认。这些应用程序会受到由于非结构性噪声（如云、阴影和其他大气效应）造成的数据丢失的严重影响。在这项工作中，我们探讨了应用周期一致的潜变量深度生成模型（DGM）对云穿透带信息条件下的多云Sentinel-2观测进行去噪的潜力。我们适应最近提出的Fréchet距离度量遥感图像的发电机的性能进行评估，证明有条件去噪的DGMs的潜力，并讨论未来的发展方向以及DGMs在地球科学和人道主义应用的局限性。
2019-10-31 cs.CV cs.LG eess.IV
DeepLCZChange: A Remote Sensing Deep Learning Model Architecture for Urban Climate Resilience
DLR（德国航空航天中心）
该研究提出面向城市气候韧性的遥感深度学习架构DeepLCZChange，关联机载LiDAR与Landsat 8温度数据，并通过纽约市的概念验证实验验证了城市森林的降温效应。
2023-06-09 cs.AI cs.CV cs.LG
SAFE: Self-Adjustment Federated Learning Framework for Remote Sensing Collaborative Perception
Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）
本文提出SAFE自调整联邦学习框架，通过类别校正、特征对齐、双因子调制和自适应上下文增强四项策略，解决遥感协同感知中的数据分布差异、类别不平衡及通信开销问题，并在真实数据集上验证其有效性。
2025-03-25 cs.AI cs.LG eess.SP
Multi-time Predictions of Wildfire Grid Map using Remote Sensing Local Data
University of Nevada, Reno（内华达大学雷诺分校）
由于最近的气候变化，我们在美国看到了更频繁和更严重的野火。预测野火对于预防和减轻自然灾害至关重要。数据处理和通信技术的进步使我们能够获取遥感数据。利用遥感数据，可以建立宝贵的时空统计模型，并用于资源管理实践。本文提出了一种分布式学习框架，共享在美国西部的10个地方收集的本地数据在整个本地代理。当地代理商的目标是提前一周、两周、三周和四周预测野火网格图，同时在线处理遥感数据流。所提出的模型具有独特的功能，解决了预测评估的特点需要，包括动态在线估计和时间序列建模。局部火灾事件触发器在位置之间不是孤立的，并且由于不完整的状态观测，在分析局部数据时存在混淆因素。与现有的不考虑野火时间序列数据中不完整状态观测的方法相比，平均而言，我们可以实现更高的预测性能。
2022-09-15 cs.LG cs.SY eess.SY
