remote-sensing imagery
PulseAugur coverage of remote-sensing imagery — every cluster mentioning remote-sensing imagery across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的基准和调查推动遥感图像分割发展
研究人员推出了VPRef，这是一个用于指代遥感图像分割的新基准，旨在解决由视觉和文本域漂移引起的性能下降问题。该基准包含超过46,000个语言-图像-标注三元组，并配备了一个基于Segment Anything Model (SAM3) 和低秩适配 (LoRA) 的参数高效适配框架。该框架采用伪标签驱动的自训练和随机多粒度文本提示混合，在仅修改模型一小部分参数的情况下提高了分割精度。另一项调查回顾了遥感图像语义分割中的深度学习范式，按…
-
扩散模型通过新颖的增强技术提升遥感目标检测性能 · 跟踪到2个来源
两篇研究论文提出了使用扩散模型来增强遥感图像中少样本目标检测（FSOD）的新颖方法。第一篇论文介绍了“控制复制粘贴”（Control Copy-Paste），它使用条件扩散模型和方向对齐策略将新颖物体注入到不同的上下文中，平均将检测性能提高了10.76%。第二篇论文提出了一个框架，通过扩散模型合成各种遥感实例，生成实例级切片并将其嵌入到全尺寸图像中进行数据增强，平均性能提高了4.4%。
-
新的视觉变换器利用地理空间数据增强健康预测
研究人员开发了一种新颖的地理上下文引导视觉变换器（GeoCTR），旨在改进用于健康结果预测的遥感影像分析。该模型通过将其转换为与斑块对齐的表示来整合地理空间数据，并使用非对称注意力模块通过结构化地理空间上下文来调节视觉注意力。实验表明，在疾病流行度预测方面，GeoCTR 的性能优于现有的视觉语言模型和空间融合基线，能够提供可解释的空间线索用于公共卫生分析，尤其是在地理空间数据有限的情况下。
-
新研究使用fANOVA分析深度学习模型设计选择
一篇新发表在arXiv上的研究论文介绍了一种函数方差分析（fANOVA）方法，用于分析设计选择对遥感图像多标签分类深度学习模型的影响。该研究分析了48种和20种不同的深度学习模型，发现数据集属性（如尺度、分辨率和标签复杂度）会影响哪些设计选择（架构、微调、学习策略、初始化）对性能最为关键。对于大型数据集，微调和架构是关键；而在数据受限的情况下，初始化则起决定性作用。
-
新的BRIC-Net改进了遥感图像去阴影效果
研究人员开发了BRIC-Net，一种旨在改进遥感图像去阴影效果的新型网络。该方法通过使用源自CIELAB统计数据的亮度可靠性先验（LRP）和边界自适应门控混合（BAGM）模块，将光照恢复与色度重建解耦。BRIC-Net还整合了空间-通道互调（SCMM）来协调更深层次的特征响应，旨在在恢复光照的同时保持外观。该网络已展现出强大的性能，在合成和真实世界数据集上取得了高PSNR分数，并产生了低感知图像质量评估器（PIQE）分数。
-
文本反演提升遥感图像分割精度
研究人员开发了一种用于遥感图像少样本开放词汇分割的新方法，解决了弱文本查询导致的性能差距。通过在冻结模型上使用文本反演，该技术改进了视觉语言嵌入空间中类名称的表示，从而显著提高了分割精度。该方法将受影响类别的平均交并比从3.9提高到39.4，并且优于注入视觉提示的方法。
-
DisasterTD框架使用MLLMs和跨视图图像进行灾难地理定位
研究人员开发了DisasterTD，一个旨在提高灾难期间社交媒体信息地理定位准确性的框架。该系统结合了多模态大语言模型（MLLMs）的语义推理能力和跨视图地理定位技术。通过分析社交媒体的图像和文本，DisasterTD可以识别和消歧地名，然后使用卫星和街景图像验证这些位置。该框架在准确性方面表现出显著的提高，尤其是在模糊的地名方面，减少了地理定位错误，并增强了其在应急响应中的实用性。
-
新方法应对遥感视觉定位挑战 · 追踪到2个来源
两篇新的研究论文介绍了遥感视觉定位（RSVG）的新方法，该任务涉及使用自然语言描述在高分辨率图像中定位物体。GeoSearcher采用以锚点为中心的推理和过程忠实策略优化两阶段过程来处理复杂查询和小物体。另一方面，ExACT利用无训练框架，通过示例驱动的校准和细化来指导分割模型进行精确的定位，解决了语言和视觉线索之间的模态差距。
-
主动学习大幅降低遥感图像标注成本
研究人员开发了Active-SAOOD，一种降低遥感图像中定向目标标注成本的新方法。这种主动学习方法通过考虑方向、分类和定位的不确定性，智能地选择最具信息量的稀疏样本进行标注。实验表明，Active-SAOOD显著提高了性能和稳定性，在仅标注1%数据的情况下实现了9%的性能提升。