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
Warped Gaussian Processes in Remote Sensing Parameter Estimation and Causal Inference
Universitat de València（瓦伦西亚大学）
本文介绍了翘曲高斯过程（WGP）回归在遥感中的应用。WGP将输出观测建模为GP的参数非线性变换。然后通过标准最大似然法学习这种先验模型的参数。我们表现出良好的性能所提出的模型估计海洋叶绿素含量的多光谱数据，植被参数（叶绿素，叶面积指数，植被覆盖率）从高光谱数据，并在检测的因果方向在一个集合的28个双变量地球科学和遥感因果问题。该模型在准确性和更合理的置信区间方面始终优于标准GP和更先进的异方差GP模型。
2020-12-09 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
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
Remote Sensing ChatGPT: Solving Remote Sensing Tasks with ChatGPT and Visual Models
Wuhan University（武汉大学）
本文提出Remote Sensing ChatGPT，利用ChatGPT理解用户请求并规划执行遥感解译子任务，通过视觉提示注入图像信息，使非专家用户也能便捷完成多种遥感任务。
2024-01-17 cs.CV
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
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
Exploring Models and Data for Remote Sensing Image Caption Generation
Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences（中国科学院西安光机精密机械研究所）；The University of Chinese Academy of Sciences（中国科学院大学）
受人造卫星发展的启发，遥感图像引起了广泛的关注。近年来，遥感图像在场景分类和目标检测方面取得了显著的进展，但如何用准确、简洁的语句来描述遥感图像的内容仍然是一个难题。本文研究如何用准确、灵活的语句来描述遥感图像。首先，针对遥感图像的特点，提出了一些标注说明，以更好地描述遥感图像。其次，为了充分利用遥感影像的内容，构建了一个大规模的航空影像数据集，用于遥感影像字幕。最后，提出了一个全面的审查建议的数据集，以充分推进遥感字幕的任务。大量的实验表明，所提出的数据集的遥感图像的内容可以通过生成的语言描述进行完整的描述。数据集可在https://github.com/201528014227051/RSICD_optimal上获得
2017-12-21 cs.CV
Mini-Unmanned Aerial Vehicle-Based Remote Sensing: Techniques, Applications, and Prospects
Wuhan University（武汉大学）
在过去的几十年里，无人机在民用领域，特别是在摄影测量和遥感领域取得了巨大的进步。与有人驾驶飞机和卫星平台相比，无人机平台具有灵活、高效、高时空分辨率、低成本、易操作等优点，这使其成为对其他遥感平台的有效补充，并成为具有成本效益的遥感手段。本文针对近年来无人机遥感应用的普及和发展，对无人机在遥感领域的最新研究进展和发展前景进行了系统的综述。具体来说，首先讨论和总结了基于无人机的遥感数据处理的主要挑战和关键技术。然后，我们提供了一个广泛的应用无人机在遥感概述。最后，对今后的工作进行了展望。希望本文能为遥感工作者提供一个无人机遥感技术发展的总体情况，并对无人机遥感技术的进一步研究起到一定的指导作用。
2020-03-15 cs.CV
Image Fusion Technologies In Commercial Remote Sensing Packages
SRTMU（斯瓦米·拉马南德·马哈拉杰大学）；Yeshwant Mahavidyala College（耶什万特学院）
近十年来，随着遥感传感器技术的发展，各种遥感软件包被用于遥感数据的分析和可视化。根据文献资料，目前遥感领域还缺乏有效的遥感数据信息抽取的软件工具。因此，本文综述了多传感器图像融合技术的发展现状，并对商用遥感软件包中的单图像或融合图像的质量评价进行了综述。介绍了为图像融合和分类而开发的ALwassaiProcess程序。
2013-07-09 cs.CV
In-domain representation learning for remote sensing
Google Research（谷歌研究院）
鉴于遥感的重要性，令人惊讶的是，很少有人关注它的表示学习社区。为了解决这个问题，并在这一领域建立基线和共同的评估协议，我们以标准化的形式提供了对5个不同遥感数据集的简化访问。具体来说，我们研究域内表示学习开发通用的遥感表示，并探讨哪些特征是重要的数据集是一个很好的源遥感表示学习。所建立的基线在这些数据集上实现了最先进的性能。
2019-11-15 cs.CV
RemoteTrimmer: Adaptive Structural Pruning for Remote Sensing Image Classification
Hohai University（河海大学）；Griffith University（格里菲斯大学）
针对遥感图像分类模型剪枝后精度损失显著的问题，提出结构化剪枝方法RemoteTrimmer，通过放大通道重要性差异和设计自适应挖掘损失函数，在压缩模型的同时实现最小精度损失并达到SoTA性能。
2024-12-19 cs.CV
Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities
Research & Development Institute of Northwestern Polytechnical University in Shenzhen（西北工业大学深圳研究院）；School of Automation, Northwestern Polytechnical University（西北工业大学自动化学院）；School of Computer Science, Wuhan University（武汉大学计算机学院）
遥感图像场景分类是根据遥感图像的内容，对遥感图像进行语义分类的一种方法，具有广泛的应用前景。在深度神经网络强大的特征学习能力的推动下，深度学习驱动的遥感图像场景分类受到了广泛关注，并取得了重大突破。然而，据我们所知，关于深度学习的遥感图像场景分类的最新成果的全面审查仍然缺乏。考虑到该领域的快速发展，本文通过涵盖160多篇论文，对用于遥感图像场景分类的深度学习方法进行了系统的综述。具体而言，我们讨论了遥感图像场景分类和调查的主要挑战（1）基于自动编码器的遥感图像场景分类方法，（2）基于卷积神经网络的遥感图像场景分类方法，（3）基于生成对抗网络的遥感图像场景分类方法。此外，我们还介绍了用于遥感图像场景分类的基准测试，并总结了二十多个代表性算法在三个常用基准数据集上的性能。最后，我们讨论了进一步研究的前景。
2020-06-25 cs.CV
Generic Knowledge Boosted Pre-training For Remote Sensing Images
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）；Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）；School of Software and Microelectronics, Peking University（北京大学软件与微电子学院）
提出 GeRSP 预训练框架，通过自监督遥感分支、监督自然图像分支及师生架构融合通用与领域知识，显著提升多项遥感下游任务性能。
2024-01-21 cs.CV
Mixture-of-Experts in Remote Sensing: A Survey
本文综述了专家混合模型在遥感中的应用，涵盖基本原理、架构设计及多种遥感任务中的关键应用，并展望了未来研究方向。
2026-04-03 cs.CV
Transformers in Remote Sensing: A Survey
MBZ University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Wuhan University（武汉大学）
在过去的十年中，基于深度学习的算法在遥感图像分析的不同领域中受到了广泛的欢迎。最近，最初在自然语言处理中引入的基于变换器的架构已经遍布计算机视觉领域，其中自注意力机制已经被用作流行的卷积算子的替代，用于捕获长程依赖性。受计算机视觉最新进展的启发，遥感界也见证了对用于各种任务的视觉Transformer的更多探索。虽然一些调查集中在Transformers在计算机视觉一般，据我们所知，我们是第一个提出了一个系统的审查Transformers器在遥感的基础上的最新进展。我们的调查涵盖了60多个最近的变压器为基础的方法，不同的遥感问题在遥感的子领域：非常高分辨率（VHR），高光谱（HSI）和合成孔径雷达（SAR）图像。最后，我们通过讨论遥感Transformers器的不同挑战和开放性问题来结束调查。此外，我们打算经常更新和维护遥感论文中的最新Transformers，其各自的代码在：https://github.com/VIROBO-15/Transformer-in-Remote-Sensing
2022-09-02 cs.CV
ERVD: An Efficient and Robust ViT-Based Distillation Framework for Remote Sensing Image Retrieval
ERVD提出了一种基于ViT的知识蒸馏框架，用于提升遥感图像检索的效率和鲁棒性，通过高效模型架构和鲁棒训练策略实现高精度检索。
2026-02-08 cs.CV
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
A Light-Weight Object Detection Framework with FPA Module for Optical Remote Sensing Imagery
Tongji University（同济大学）；Tsinghua University（清华大学）
随着遥感技术的发展，遥感图像的获取越来越容易，为遥感目标探测任务提供了充足的数据资源。然而，如何从众多复杂的光学遥感图像中快速、准确地检测出目标是一个具有挑战性的热点问题。在本文中，我们提出了一个有效的锚无对象检测器，CenterFPANet。为了追求速度，我们使用了轻量级的骨干，并引入了不对称的旋转块。为提高检测精度，设计了FPA模块，将不同层次的特征图连接起来，并引入注意力机制动态调整各层次特征图的权重，解决了遥感目标尺寸范围大而导致的检测困难问题。该策略在不降低检测速度的前提下，提高了遥感图像目标检测的精度。在DOTA数据集上，CenterFPANet mAP为64.00%，FPS为22.2，接近目前使用的基于锚点的方法的准确率，并且比它们快得多。与更快的RCNN相比，mAP低6.76%，但快60.87%。总而言之，CenterFPANet在大规模光学遥感目标检测中实现了速度和精度的平衡。
2020-09-07 cs.CV
Spatiotemporal Fusion in Remote Sensing
The Ohio State University（俄亥俄州立大学）
遥感图像和技术是研究地球表面的有力工具。数据质量是增强遥感应用的关键，在大多数情况下，由于不同的采集（例如，大气和季节）、传感器和平台（例如，卫星角度和传感器特性）条件。随着卫星的不断发展，现在每天可以获得TB级的遥感图像。因此，信息和数据融合在遥感界可能特别重要。该融合集成了来自异步获取的各种源的数据，用于信息抽取、分析和质量改进。在这一章中，我们的目标是讨论时空融合的理论，通过调查以前的工作，除了描述的基本概念和它的一些应用，总结我们以前和正在进行的工作。
2021-07-06 cs.CV
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
Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote Sensing Data
Element AI；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
遥感和自动地球监测是解决灾害预防、土地利用监测或应对气候变化等全球性挑战的关键。虽然存在大量的遥感数据，但其中大部分是未标记的，因此监督学习算法无法访问。迁移学习方法可以减少深度学习算法的数据需求。然而，大多数这些方法都是在ImageNet上进行预训练的，由于领域差距，它们对遥感图像的推广并不能得到保证。在这项工作中，我们提出了季节对比度（SeCo），这是一种有效的管道，可以利用未标记的数据进行遥感表示的域内预训练。SeCo管道由两部分组成。首先，一个原则性的程序来收集大规模的，未标记的和未经策划的遥感数据集，其中包含来自不同时间戳的多个地球位置的图像。第二，一个自我监督的算法，利用时间和位置的不变性来学习遥感应用的可转移表示。我们的经验表明，使用SeCo训练的模型在多个下游任务上的性能优于ImageNet预训练的模型和最先进的自监督学习方法。SeCo中的数据集和模型将予以公布，以便利迁移学习，并使遥感应用能够迅速取得进展。
2021-05-03 cs.CV
Bootstrapping Interactive Image-Text Alignment for Remote Sensing Image Captioning
Wuhan University（武汉大学）；Hubei Luojia Laboratory（湖北珞珈实验室）
本文提出BITA方法，通过两阶段视觉-语言预训练和轻量级交互式Fourier Transformer实现遥感图像与文本的高效对齐，在多个数据集上取得优于先进方法的图像描述性能。
2023-12-02 cs.CV
A Remote Sensing Image Dataset for Cloud Removal
Institute of Electronics, Chinese Academy of Sciences（中国科学院电子学研究所）
光学遥感图像中经常出现基于云的叠加，从而限制了所获取数据的应用。去云是遥感图像分析中必不可少的预处理步骤。深度学习近年来在遥感领域取得了巨大的成功，包括场景分类和变化检测。然而，深度学习在遥感图像去云中的应用却很少。原因是缺乏用于训练神经网络的数据集。为了解决这一问题，本文首先提出了遥感影像云迁移数据集（RICE）。该数据集由两部分组成：RICE 1包含500对图像，每对图像的云和无云尺寸为512*512; RICE 2包含450组图像，每组包含3个512*512尺寸的图像。分别是没有云的参考图片、云的图片及其云的掩模。该数据集可在\url{https://github.com/BUPTLdy/RICE_DATASET}上免费获得。
2019-01-03 cs.CV
DDFAV: Remote Sensing Large Vision Language Models Dataset and Evaluation Benchmark
Liaoning Technical University（辽宁工程技术大学）；Shang Hai Jiao Tong University（上海交通大学）
针对遥感LVLMs幻觉问题，本文构建了高质量数据集DDFAV及训练指令集，并提出幻觉评估方法RSPOPE，以评估不同LVLMs的零样本能力。
2024-11-05 cs.CV
A review over the applicability of image entropy in analyses of remote sensing datasets
National Institute of Technology, India（印度国立理工学院）
熵是任何数据中不确定性的度量，并且在许多遥感操作中被用于最大化互信息。宽熵变化的可用性促使我们调查这些版本的适合性偏好的特定操作。
2014-02-05 cs.CV
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
Geographical Knowledge-driven Representation Learning for Remote Sensing Images
Beihang University（北京航空航天大学）
遥感卫星的激增产生了大量的遥感图像。然而，由于人力和物力资源的限制，绝大多数遥感图像仍然没有标记。因此，它不能应用于当前可用的深度学习方法。为了充分利用剩余的未标记图像，提出了一种基于地理知识驱动的遥感图像表示学习方法（GeoKR），提高了网络性能，减少了对标注数据的需求。该方法将每幅遥感影像的全球土地覆盖产品和地理位置信息作为地理知识，为表示学习和网络预训练提供指导。提出了一种有效的预训练框架，以消除遥感图像和地理知识之间的成像时间和分辨率差异所造成的监督噪声。提出了一个大规模的预训练数据集Levir-KR来支持网络的预训练。它包含来自高分系列卫星的1，431，950幅各种分辨率的遥感图像。实验结果表明，我们提出的方法优于ImageNet预训练和自监督表示学习方法，并显着减少了数据标注的负担，下游任务，如场景分类，语义分割，目标检测，云/雪检测。实验结果表明，该方法可以作为一种新的预训练神经网络的范例。代码将在https://github.com/flyakon/Geographical-Knowledge-driven-Representaion-Learning上提供。
2021-07-12 cs.CV
Multimodal Object Detection in Remote Sensing
针对遥感目标检测多依赖通用方法、未充分利用多模态融合的问题，本文比较多模态检测方法、梳理可用评估数据集并展望未来方向。
2023-07-13 cs.CV
Improved-Flow Warp Module for Remote Sensing Semantic Segmentation
遥感图像语义分割的目的是为航空影像上的每个像元自动分配特定的标签。在这封信中，我们提出了一个新的模块，称为改进流翘曲模块（IFWM），调整语义特征图在不同尺度的遥感语义分割。在卷积神经网络的特征提取过程中应用改进的流扭曲模块。首先，IFWM通过可学习的方式计算像素的偏移量，这可以减轻多尺度特征的错位。其次，偏移量有助于低分辨率深度特征上采样过程，以提高特征一致性，从而提高语义分割的准确性。在多个遥感数据集上进行了验证，结果证明了该方法的有效性。
2022-05-09 cs.CV
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
RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection
Johns Hopkins University（约翰霍普金斯大学）
RemoteVAR通过自回归模型和交叉注意力机制提升遥感变化检测的性能，实现对双时序特征的高效建模与预测。
2026-01-17 cs.CV
Effective Use of Dilated Convolutions for Segmenting Small Object Instances in Remote Sensing Imagery
PASCO CORPORATION（帕斯科公司）
由于CNN的最新进展，在高分辨率遥感图像的语义分割方面取得了实质性的改进。然而，以前的大多数工作没有充分考虑到遥感任务中存在的具体困难。其中一个困难是遥感图像中的物体很小而且很拥挤。为了解决这个具有挑战性的任务，我们提出了一种新的架构称为本地特征提取（LFE）模块附加在膨胀前端模块的顶部。LFE模块基于我们的发现，即由于内核的稀疏性，积极增加膨胀因子无法聚合局部特征，并且对小对象有害。所提出的LFE模块通过以减小的膨胀因子聚合局部特征来解决这个问题。我们在三个遥感数据集上测试了我们的网络，并在所有数据集上获得了非常好的结果，特别是对于小物体。
2017-09-01 cs.CV
Optical Remote Sensing Image Understanding with Weak Supervision: Concepts, Methods, and Perspectives
Hunan University（湖南大学）；Xidian University（西安电子科技大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）
近年来，监督学习被广泛应用于光学遥感图像理解的各种任务中，包括遥感图像分类、逐像素分割、变化检测和目标检测。基于监督学习的方法需要大量高质量的训练数据，其性能高度依赖于标签的质量。然而，在实际的遥感应用中，往往是昂贵的和耗时的大规模数据集获得高质量的标签，这导致了缺乏足够的监督信息。在某些情况下，只能获得粗粒度的标签，导致缺乏精确的监督。此外，人工获取的监管信息可能有误，导致监管不准确。因此，遥感图像理解往往面临着监督信息不完整、不准确、不准确的问题，影响着遥感应用的广度和深度。为了解决上述问题，研究人员探索了弱监督下遥感图像理解的各种任务。综述了遥感领域弱监督学习的研究进展，包括3种典型的弱监督范式：1）不完全监督，即只给训练数据的一个子集加标签; 2）不精确监督，即只给训练数据的粗粒度标签; 3）不精确监督，即给出的标签在地面上并不总是正确的。
2022-04-18 cs.CV
A framework for remote sensing images processing using deep learning technique
IRSTEA（法国国家农业、食品与环境研究院）
深度学习技术对于解决许多图像处理任务正变得越来越重要。在常见的算法中，基于卷积神经网络和递归神经网络的系统在许多应用中对卫星和航空图像实现了最先进的结果。虽然这些方法受到科学界的关注，但目前在用户一级没有可供遥感界使用的操作性和通用性实施方法。在本文中，我们提出了一个框架，使深度学习技术与遥感图像和地理空间数据的使用。我们的解决方案植根于两个广泛使用的开源库，遥感图像处理库Orfeo ToolBox和高性能数值计算库TensorFlow。它可以应用深度网络，而不受图像大小的限制，并且无论硬件配置如何，都具有计算效率。
2018-09-05 cs.CV
Locality Preserving Multiview Graph Hashing for Large Scale Remote Sensing Image Search
University of Macau（澳门大学）
本文提出一种局部保持多视图图哈希方法，通过在低维子空间学习共识紧凑码并引入超参数可学习模块，有效解决了大规模遥感图像检索问题，实验证明其性能具竞争力。
2023-04-10 cs.CV
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
RS-Mamba for Large Remote Sensing Image Dense Prediction
Nanjing University（南京大学）；School of Geography and Ocean Science, Nanjing University（南京大学地理与海洋科学学院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
针对大尺寸超高分辨率遥感影像密集预测中Transformer模型计算复杂度高、裁剪图块损失上下文的问题，提出带全向选择性扫描的RSM模型，以线性复杂度实现全局上下文建模，在相关任务上取得SOTA性能，效率精度优于Transformer模型。
2024-04-10 cs.CV
Land Use Classification in Remote Sensing Images by Convolutional Neural Networks
Università Federico II di Napoli（那不勒斯费德里科二世大学）
我们探索使用卷积神经网络的遥感场景的语义分类。最近提出的两个架构，CaffeNet和GoogLeNet，采用了三种不同的学习模式。除了从头开始的传统训练外，我们还采用了只对目标数据进行微调的预训练网络，以避免过拟合问题并减少设计时间。两个遥感数据集上的实验，具有显着不同的特点，证明了所提出的解决方案的有效性和广泛的适用性，这保证了所有国家的最先进的参考显着的性能改善。
2015-08-01 cs.CV
Self-Supervised Learning of Remote Sensing Scene Representations Using Contrastive Multiview Coding
University of Banja Luka（巴尼亚卢卡大学）
近年来，自监督学习已成为无监督表示学习的一个有前途的候选者。在视觉领域，其应用主要是在自然场景图像的背景下研究的。然而，它的适用性在特定领域特别有趣，如遥感和医学，在这些领域很难获得大量的标记数据。本文对自监督学习在遥感图像分类中的应用进行了深入的分析。我们分析了用于自监督预训练的图像的数量和域对下游任务性能的影响。我们表明，对于遥感图像分类的下游任务，使用自监督的遥感图像预训练可以得到更好的结果比使用监督的预训练的图像的自然场景。此外，我们还表明，自我监督的预训练可以很容易地扩展到多光谱图像，在我们的下游任务中产生更好的结果。
2021-06-03 cs.CV
Nearest Neighbor Based Out-of-Distribution Detection in Remote Sensing Scene Classification
用于图像分类的深度学习模型通常在“封闭世界”假设下使用预定义的图像类集合进行训练。然而，当模型被部署时，它们可能面临不属于训练期间遇到的类的输入图像。这种类型的场景在遥感图像分类中很常见，其中图像来自不同的地理区域、传感器和成像条件。在本文中，我们处理的问题，检测遥感图像来自不同的分布相比，训练数据-分布图像。我们提出了一个基准的分布外检测在遥感场景分类和评估检测器的最大softmax概率和最近的邻居。实验结果表明，基于最近邻的方法具有令人信服的优势。
2023-03-29 cs.CV
RS3DBench: A Comprehensive Benchmark for 3D Spatial Perception in Remote Sensing
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Software College of Zhejiang University（浙江大学软件学院）；Hangzhou City University（杭州市大学）
本文提出RS3DBench，一个包含54,951对遥感图像与像素级对齐深度图及文本描述的综合基准，并基于稳定扩散构建遥感深度估计模型，在该数据集上取得最先进性能，以推动遥感三维视觉感知与地理人工智能发展。
2025-09-23 cs.CV
A Comparative Analysis on the Applicability of Entropy in remote sensing
Dept. Of Civil MANIT-Bhopal, India（印度博帕尔MANIT土木系）
熵是任何数据中不确定性的度量，并且在许多遥感操作中被用于最大化互信息。宽熵变化的可用性促使我们调查这些版本的适合性偏好的特定操作。方法在Matlab中实现，并增强熵的变化。各种实施的评价是基于不同的统计参数，参考研究领域的流行的可用版本，如Tsalli的，Shannon的，和Renyi的熵进行了分析的背景下，各种遥感操作，即阈值，聚类和注册。
2013-03-27 cs.CV
Self-supervised Learning in Remote Sensing: A Review
Remote Sensing Technology Institute (IMF), German Aerospace Center (DLR)（德国航空航天中心（DLR）遥感技术研究所（IMF））；Technical University of Munich (TUM)（慕尼黑工业大学（TUM））
在深度学习研究中，自监督学习（SSL）受到了极大的关注，引发了计算机视觉和遥感社区的兴趣。虽然在计算机视觉方面取得了巨大的成功，但SSL在地球观测领域的大部分潜力仍然被锁定。在本文中，我们提供了一个介绍，并回顾了SSL的概念和最新发展的计算机视觉在遥感的背景下。此外，我们提供了一个初步的基准现代SSL算法在流行的遥感数据集，验证SSL在遥感的潜力，并提供了一个扩展的研究数据增强。最后，我们确定了一个有前途的SSL对地观测（SSL4EO）的未来研究方向的列表，为这两个领域的富有成效的互动铺平了道路。
2022-09-02 cs.CV
HIMOSA: Efficient Remote Sensing Image Super-Resolution with Hierarchical Mixture of Sparse Attention
Wuhan University（武汉大学）
HIMOSA通过层次混合稀疏注意力机制，实现高效遥感图像超分辨率，兼顾性能与计算效率。
2025-11-29 cs.AI cs.CV
Effective Features of Remote Sensing Image Classification Using Interactive Adaptive Thresholding Method
Govt. Arts College, Melur（梅卢尔政府艺术学院）；Sri Meenakshi Govt. Arts College for Women, Madurai（马杜赖斯里米纳克希政府女子艺术学院）
遥感图像分类可以通过多种不同的方法来提取有意义的特征。一种常见的方法是执行边缘检测。第二种方法是尝试检测整个形状，因为这些形状通常具有独特的属性，例如对象前景或背景。为了获得最佳结果，可以将这两种方法结合起来。本文采用组合优化方法自适应地选取阈值特征对遥感图像进行改进。特征选择是遥感图像分类中一个重要的组合优化问题。特征选择方法必须实现三个特征：第一，通过促进数据汇集并减少存储空间和分类时间来解决性能问题;第二，执行有助于理解问题的语义分析;第三，通过避免维数灾难来提高预测准确性。这种阈值化图像的目标是将像素分类为暗或亮，并评估分类结果。交互式自适应阈值化是一种考虑遥感图像光照空间变化的阈值化方法。我们提出了一种基于遥感的自适应阈值技术，使用交互式卫星图像的输入。然而，我们的解决方案是更强大的遥感图像中的光照变化。此外，我们的方法是简单，易于实现，但它是有效的算法来分类图像像素。该技术适用于遥感图像分类的预处理，使其成为基于交互式远程应用的有价值的工具，例如分类过程的增强现实。
2014-01-30 cs.CV
Knowledge Distillation for Object Detection: from generic to remote sensing datasets
该研究在遥感车辆检测场景下，评估了基于通用数据集开发的两类知识蒸馏方法，通过xView、VEDAI等基准实验发现方法性能差异大，证实结果聚合与交叉验证对遥感数据集的重要性。
2023-07-18 cs.CV
Quantitative Analysis of Primary Attribution Explainable Artificial Intelligence Methods for Remote Sensing Image Classification
Department of Electrical；Computer Engineering, Texas A\&M University, College Station, TX, USA
本文面向多模态遥感图像分类，结合最先进机器学习模型，对主要归因XAI方法开展定性与定量评估，并给出方法选择建议。
2023-12-04 cs.AI cs.CV cs.LG
RS-YOLOX: A High Precision Detector for Object Detection in Satellite Remote Sensing Images
School of Information Science and Engineering, Yunnan University（云南大学信息科学与工程学院）；Yunnan Key Laboratory of Intelligent Systems and Computing（云南省智能系统与计算重点实验室）
本文提出RS-YOLOX模型，通过引入ECA注意力、ASFF特征融合和Varifocal Loss，并结合SAHI框架，在多个遥感数据集上实现了高精度目标检测。
2025-02-05 cs.CV
Large Selective Kernel Network for Remote Sensing Object Detection
Nankai University（南开大学）
近年来遥感目标检测的研究主要集中在改进有向边界框的表示上，而忽略了遥感场景中特有的先验知识。这种先验知识可能是有用的，因为微小的遥感物体可能在没有参考足够长距离背景的情况下被错误地检测到，并且不同类型的物体所需的长距离背景可能不同。在本文中，我们考虑到这些先验知识，并提出了大型选择性核网络（LSKNet）。LSKNet可以动态调整其大的空间感受野，以更好地模拟遥感场景中各种对象的测距上下文。据我们所知，这是第一次在遥感目标检测领域探索大的和选择性的核机制。没有花里胡哨，LSKNet在标准基准上设置了新的最先进的分数，即，HRSC2016（98.46 mAP）、DOTA-v1.0（81.85 mAP）和FAIR1M-v1.0（47.87 mAP）。基于类似的技术，我们在2022年大湾区国际算法竞赛中获得第二名。代码可在https://github.com/zcablii/Large-Selective-Kernel-Network上获得。
2023-03-20 cs.CV
