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。

本研究评估了建筑物HVAC系统中离线强化学习的可行性和有效性，发现历史数据建模能够降低温度违例率和节省能耗，最多可减少28.5%的违例率和12.1%的能耗。该研究为HVAC系统的应用提供了新的见解。

本文介绍了Convolutional Oriented Boundaries (COB)方法，通过CNNs生成多尺度的定向轮廓和区域层次结构，具有高效的计算性能和显著的识别性能，并且泛化性能也很好。通过与不同任务的结合，如目标提议、语义轮廓、语义分割和目标检测等，证明COB在提高多种任务的性能方面也具有良好的效果。

由于高分辨率遥感卫星的发展，遥感研究获得便利。研究者提出了适应性修改的预训练模型 RSAM-Seg，用于遥感图像分割。实验证明，RSAM-Seg 在云、建筑物、场地和道路场景中优于 SAM 和 U-Net，并具有处理有限数据集的潜力。

高分辨率遥感卫星的发展为遥感研究带来便利。研究者提出了RSAM-Seg，对SAM模型进行了修改，消除了手动干预的需求。实验证明，RSAM-Seg在云、建筑物、场地和道路场景中的效果优于原始SAM和U-Net，并具有辅助注释和处理有限数据集的潜力。

通过融合不同数据集和先进的表示学习模型，研究遥感图像中建筑物的识别和分割。创新联合训练过程展示了方法的价值，并为未来的探索奠定了基础。显示了建筑物分割领域中创新应用的潜在前景。

19世纪的地籍是历史学家和考古学家的重要来源。研究人员使用卷积神经网络和视觉变换器训练了深度学习模型，提取了大量数据。他们开发了一个基于浏览器的工具，可以快速识别19世纪地籍中具有建筑物的地点。这个工具有助于学者、研究人员和公众了解定居历史，并帮助公共行政机构确定文化遗产敏感区域。

高分辨率遥感卫星的发展为遥感研究带来便利。研究者提出了RSAM-Seg，对SAM模型进行了修改，消除了手动干预的需求。实验证明，RSAM-Seg在云、建筑物、场地和道路场景中的效果优于原始SAM和U-Net，并具有辅助注释和处理有限数据集的潜力。

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。