FAIR1M: A benchmark dataset for fine-grained object recognition in high-resolution remote sensing imagery
PulseAugur coverage of FAIR1M: A benchmark dataset for fine-grained object recognition in high-resolution remote sensing imagery — every cluster mentioning FAIR1M: A benchmark dataset for fine-grained object recognition in high-resolution remote sensing imagery across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的SAT-Edge-Agent系统实现卫星在轨智能
研究人员开发了SAT-Edge-Agent，一个用于卫星在轨智能的硬件在环系统，该系统在通信和电力约束下编排本地工具。该系统利用了一个OpenAI兼容的语言服务和一个YOLO风格的目标检测端点，在特定工作负载下实现了29.353秒和60.937秒的平均延迟。虽然展示了可复现的编排能力，但该系统的准确性、能源效率和飞行就绪性仍需进一步评估。
-
新研究解决目标检测模型的标注效率问题
两篇新研究论文探讨了提高目标检测标注效率的先进方法。第一篇论文介绍了一个基础模型协作主动学习框架，该框架使用双源不确定性估计和以对象为中心的多元化采样来增强样本选择，并减少遥感图像的手动标注负担。第二篇论文提出了一种用于机器人的具身主动学习方法，该方法优化导航轨迹并根据空间一致性选择信息图像，以便在有限的标注和导航预算下重新训练目标检测器。
-
ZODS-RS 流程为遥感图像提供零训练检测和分割
研究人员开发了 ZODS-RS，一个专为遥感图像零训练目标检测和分割设计的新型流程。该系统集成了 DINOv3 的密集特征和 SAM 风格的提议，无需任务特定训练数据即可生成水平边界框和实例掩码。ZODS-RS 在 FAIR1M 和 xView 等数据集上展示了改进的性能，尤其是在小目标和密集目标方面，并在无人机图像上显示出比现有方法（如 Grounded-SAM）显著的优势。
-
MATANet 通过上下文和层级感知提升海洋物种识别能力
研究人员开发了 MATANet，一个专为细粒度海洋物种识别设计的新型框架，尤其适用于挑战性的水下环境。该网络包含一个多上下文环境注意力模块，用于整合局部形态细节与更广泛的栖息地上下文；以及一个层级感知表示学习模块，利用分类结构来改进分类。MATANet 在 FathomNet2025 和 LifeCLEF2015-Fish 等数据集上展示了卓越的性能，并在 FathomNet 2025 挑战赛中荣获第一名。