作者通过多种摄影方式记录新加坡的独特风貌，分享个人城市漫游体验。尽管工作繁忙，作者依然感受到新加坡的“熟悉的陌生感”。文章强调建筑与社区的互动，探讨历史、文化及公共住房政策，展现城市的多元与生机。

该研究提出了一种基于深度强化学习的建筑暖通空调系统控制方法，显著提高了能源效率和温度控制精度，减少了建筑废气排放和能耗。研究还探讨了不同强化学习算法在HVAC系统中的应用，显示出良好的节能潜力和舒适度提升。

本文介绍了一种基于机器学习的建筑物分割方法，结合完全卷积网络（FCN）和生成对抗网络（GAN），有效提高遥感图像中建筑物分割的准确性，并优化建筑物轮廓提取，取得了优异的实验结果。

本文提出了一种改进的Segment Anything Model（SAM），旨在解决现有模型在遥感图像分析中的泛化性能下降问题。通过集成预训练卷积神经网络，增强了SAM在遥感图像上的识别能力。实验证明，该方法在多个遥感数据集上显著提高了性能，尤其在云检测、建筑物和道路识别等任务中表现优异，展示了其在数据稀缺环境中的潜力。

本文提出了一种多模态深度学习算法，利用遥感图像和多语义信息检测城市感兴趣区域的围栏多边形。实验结果表明，该算法在城市规划和环境监测等领域表现优于现有方法，并展示了建筑物识别和分割的创新应用，为未来研究奠定基础。

通过智能交通监控系统和CCTV摄像头，自动检测行人或车辆并控制LED路灯亮度，降低能源浪费和成本。

本研究使用深度学习评估自然灾害中的建筑损害，通过遥感数据探索全球多样化灾难事件的数据集，并解决推广到新灾难和地区的挑战。研究发现，最低3米分辨率的卫星图像可有效检测建筑损害。在不同深度学习模型和集成技术的评估中，U-Net Siamese网络集成的F-1得分为0.812，表现最佳。研究还评估了通用模型和洪水专家模型，并调查了领域数据中的通用性差距和分布。研究发现人工智能解决方案在评估气候变化引发的极端天气事件影响方面具有潜力和局限性。

该文介绍了一种使用Barlow Twins训练自监督编码器的技术，可以从未标记的数据中学习，减少注释样本的数量，并在语义场景分割任务中应用。实验结果表明，无监督预训练可以提高性能，特别是对于少数类别。

该文介绍了一种集合物体检测系统，采用基于对象建议的完全连接条件随机场进行建模，并利用快速平均场近似方法进行推理。实验结果表明，该方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度。

该文介绍了一种新颖的方法，通过自适应基础模型来解决现有模型的泛化性能下降问题。作者使用预训练的卷积神经网络为 Segment Anything Model 增加了识别能力，从而改善了其在遥感图像上的表现。作者在三个遥感数据集上评估了该方法，并观察到在不同分布的性能上取得了显著提高。

该论文介绍了从2D和3D数据中重建LoD2建筑模型的方法，无需预先标记的训练数据或预先训练模型。通过提取真实正交照片中的屋顶线条，能够提高建筑模型的准确性和完整性。

本文研究了利用浅层模型评估 LiDAR 数据在建筑分割中的应用。通过边界掩模提升边界一致性得分，结合航空图像和 LiDAR 数据进行模型的训练与比较。结果表明浅层模型在航空图像任务和航空图像与 LiDAR 数据任务下的得分分别优于深度学习模型 8% 和 2%。深度学习模型在 Boundary Intersection over Union 得分方面表现更好，采用 LightGBM 的效果优于 RF 和 XGBoost。

本文提出了一种基于 Hierarchical Transformers 的建筑物映射方法 HiT，通过增加一个多边形头并行于分类和边界框回归头的两阶段检测结构实现了从高分辨率遥感影像中提取多边形建筑物的质量改进。实验表明，该方法在实例分割和多边形度量方面达到了最新的良好结果，并在复杂场景下表现出优越性和有效性。

DFANet是一种高效的卷积神经网络架构，用于在资源有限的情况下进行语义分割。DFANet通过子网络和子阶段级联聚合区分特征，通过多尺度特征传播，大大减少了参数数量，并提高了模型学习能力，在速度和分割性能之间取得平衡。在Cityscapes和CamVid数据集上的实验证明了DFANet具有比现有最先进的实时语义分割方法快2倍，FLOPs少8倍的卓越性能，同时提供可比较的准确性。