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
-
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。
-
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。
-
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。