本研究提出相位-幅度解耦（PAD）框架，以解决合成孔径雷达与RGB图像在土地覆盖分类中的融合问题，显著提升特征一致性和融合效果。实验结果表明，PAD在遥感多模态融合中表现优异。

本研究解决了合成孔径雷达（SAR）图像异常检测中缺乏有效基准的方法这一问题。该文提出了SARIAD，结合Anomalib深度学习库，为SAR图像的异常检测提供了一套完整的算法和数据集。研究的重大发现是，SARIAD能够促进SAR模型和数据集的基准测试，从而推动该领域的可重复研究。

本研究针对目前缺乏适合合成孔径雷达（SAR）图像的基准数据集这一问题，提出了OpenEarthMap-SAR数据集，以促进SAR基础的地理空间分析。该数据集包含来自日本、法国和美国的5033幅空中和卫星图像，提供详细的8类土地覆盖标签，并评估了现有语义分割技术的性能。此项工作为全球高分辨率土地覆盖制图提供了重要的资源和参考，有助于推动相关领域的研究进展。

本研究探讨了海洋终止冰川崩裂前沿位置的变化，并提出利用深度学习系统从合成孔径雷达图像中自动提取该位置。研究发现，深度学习系统与人类观察者的表现存在显著差距，需进一步研究以实现完全自动化监测。

本研究解决了单一传感器数据的局限性，通过先进的人工智能技术融合激光雷达、合成孔径雷达和光学影像，以实现更全面的城市环境表示。研究采用全卷积网络（FCN）进行城市特征提取，结合粒子群优化（PSO）进行模型调优，最终在像素级分类中取得了92.3%的像素准确率和87.6%的平均交并比（IoU），表明融合地理空间数据和人工智能方法在城市制图中的巨大潜力，推动城市规划与管理的进步。

本研究提出了多任务学习框架MLDet，以提高合成孔径雷达图像中船舶检测的准确性和鲁棒性，解决强散斑噪声和复杂背景问题。

该研究提出了一种基于互惠点学习的散射核方法，旨在提升合成孔径雷达(SAR)在开放环境中对未知目标的分类能力。实验结果表明，该方法在MSTAR数据集上优于现有主流技术。

本研究提出了VHSR SAR图片数据库，探讨基于补丁的城市分类。通过生成对抗网络（GAN）和深度学习模型，提高气象数据和农作物分类的精度，解决少数类别样本不足的问题。研究表明，结合扩散模型和GAN可以提升图像生成质量和降水预测效果。

该研究提出了多种基于合成孔径雷达（SAR）和光学遥感图像的目标检测方法，如RSDnet、HSI-ShipDetectionNet和DCPNet，这些方法在船舶检测和分类任务中表现优异，具有高准确率和有效特征表示能力，推动了SAR图像处理的进展。

本研究解决了洪水区域检测中的准确性问题，提出了一种基于物理引导的神经网络方法，利用Sentinel 1时间序列影像和对应的河流水位数据进行洪水面积预测。实验表明，该方法在低水位期间的合成孔径雷达影像上，模型的交并比（IoU）达到了0.89，明显优于其他无监督方法。

该研究探讨了深度学习在合成孔径雷达（SAR）自动目标识别中的应用，提出了对比特征对齐（CFA）和加权损失半监督生成对抗网络（WL-SSGAN）等新方法，提升了模型在不熟悉环境中的识别能力。同时，介绍了基于图神经网络的低计算复杂度目标识别方法及SAR-Net框架，验证了其在目标检测中的有效性和鲁棒性。此外，研究还涉及不确定性感知系统和对抗训练技术，展示了在多种场景下的优越性能。

Sparse R-CNN是一种先进的目标检测方法，优于传统模型。研究中提出了动态标签分配和图神经网络等改进技术，提升了检测准确率。此外，结合深度学习和合成孔径雷达技术，显著改善了对非法捕鱼活动的监测，推动了自动驾驶和遥感图像分析的发展。

本研究利用高分辨率卫星影像和深度学习技术，生成加利福尼亚和圣保罗地区的林冠高度图，推动森林生长监测和可持续农林业管理。采用U-Net模型和半监督回归方法，提高了树木冠层高度和生物量估算的准确性，展示了卫星数据在全球碳储量测量中的应用潜力。

本文介绍了多种基于深度学习的合成孔径雷达（SAR）图像去噪方法，包括卷积神经网络（CNN）、生成模型和对比学习等。这些方法在去除斑点噪声和提高分类准确度方面表现优越，推动了SAR图像处理的研究进展。

本文介绍了遥感视觉问答（RSVQA）领域的多种方法，包括CNN和RNN的信息提取、VBFusion架构、对抗学习策略及轻量级Transformer架构。这些研究旨在提升模型的准确性和鲁棒性，并探讨语言偏见对模型表现的影响，提出新的评估指标。

本研究解决了合成孔径雷达（SAR）空间数据中的散斑噪声问题，该问题严重影响SAR图像的清晰度和实用性。通过对六种不同的散斑噪声降低技术进行比较分析，研究发现Lee和Kuan滤波器在图像质量和噪声抑制方面均表现出色，为SAR图像处理的优化提供了重要见解，具有显著的遥感与环境监测应用潜力。

通过弱对比学习，提出了一种名为批次实例判别和特征聚类（BIDFC）的新型框架，用于合成孔径雷达（SAR）自动目标识别（ATR）技术中的高准确率目标识别。实验结果表明，仅使用3.13%的训练数据进行微调的方法实现了91.25%的分类准确度。验证了BIDFC在OpenSarShip数据库中的有效性，可推广到其他数据集。

该研究使用合成孔径雷达和可见-近红外-短波红外成像技术，通过引入随机旋转来提高土地利用/土地覆盖分类的效能。实验结果显示，使用SRP的RFE在前两个数据集上表现最佳，使用CRP的RFE在最后三个数据集上表现出色。将纹理与SAR波段相结合，整体kappa值增加了10%，将纹理添加到VNIR-SWIR波段上，整体kappa值增加了约3.45%。

该研究提出了一种新方法，使用双条件生成对抗网络和改进的Pix2Pix架构，以及注意力机制，通过修改合成孔径雷达（SAR）数据生成期望时间戳处的SAR数据。该方法为光学数据在SAR领域和时间分析中的应用提供了新的可能性。