本研究提出了一种名为ClassWise-CRF的类别特定融合架构，旨在提升遥感影像的语义分割精度。该架构通过选择表现优异的专家网络进行分类预测融合，并动态调整权重，验证了其在两个遥感数据集上的有效性。

地球观测领域正在经历变革，预计2024年经济价值将超过7000亿美元。IBM等机构推出的EarthDial模型，能够处理多分辨率和多光谱遥感影像，支持多种任务。该模型通过超1111万条指令数据集，显著提升了准确性和泛化能力，推动地球观测技术向智能决策转型。

本研究提出了一种改进的隐式扩散模型（IIDM），结合知识蒸馏模块，以提高遥感影像中碳储量空间分布的估计准确性和效率。结果表明，该模型的RMSE为12.17%，较传统回归模型提高了41.69%至42.33%，为区域碳储量管理提供了支持。

本研究提出了一种新框架，通过多视角遥感影像结合异方差回归和贝叶斯建模，改进社会经济状况估计中的不确定性感知。实验结果表明，该方法优于传统RGB模型，有助于识别预测不确定性并指导未来的数据采集。

本研究提出了一系列基于遥感影像的变化检测方法，强调特征差异的重要性。通过合成数据训练的模型和新数据集ChangeNet，显著提高了变化检测的准确性和效率，克服了传统方法的局限性。此外，研究还开发了无训练的检测方法和通用框架，展示了在复杂环境中的优越性能。

本文介绍了一种基于机器学习的建筑物映射方法，利用条件生成对抗网络和语义分割网络，从遥感影像中提取建筑物屋顶的边缘和角点，并生成矢量化建筑模型。研究验证了该方法在大型卫星图像上的有效性，显示出优越的性能和广泛的应用潜力。

本研究比较了多种高光谱和泛光谱技术，提出了基于深度学习的全色增强方法，如SSDiff和MSDCNN，显示出在遥感影像处理中的优越性，实验结果表明这些新技术在图像质量和细节捕捉方面显著优于传统方法。

本文介绍了一种基于少样本学习的遥感影像目标检测方法，包含元特征提取、自适应权重分配和边界框预测模块。该方法在少量标注数据下优于传统模型，有效解决了目标检测中的多种挑战，并通过实验验证了其有效性。

本研究提出了遥感影像变化检测的新方法，采用多种深度学习模型，如双时相变化检测、生成对抗网络和轻量级裂纹检测网络，均在多个数据集上表现优异，推动了遥感技术的发展。

本文探讨了一种基于Transformer模型的卫星图像融合方法，实验结果表明其在图像特征提取与融合方面优于许多CNN方法。研究还提出了LGTEUN网络和HyperTransformer机制，这些新技术在遥感影像处理上取得了显著效果，推动了该领域的研究进展。

本文介绍了一种基于少样本学习的遥感影像目标检测方法，结合元特征提取、自适应权重分配和边界框预测模块，能够在少量标注数据下实现高效检测。研究表明，该方法在多种设置中优于现有技术，显著提升了目标检测性能。

该文综述零样本目标检测研究，涵盖视觉-语义嵌入、背景感知、对比学习、自监督预训练及点云配准等方法，在MSCOCO、PASCAL VOC、VisualGenome等数据集上验证有效性，并首次将零样本检测拓展至遥感影像领域。

该文综述遥感影像实时语义分割，指出高效深度神经网络分割质量好但推理速度慢，限制实时部署。研究训练16种模型用于高分辨率卫星图像多类别分割，提出轻量模型1D-Justo-LiuNet，在海洋—陆地—云覆盖分割中准确率达0.93，参数仅4563个，但推理时间长达15秒。还发现应在L1b辐射计校准后分割，减少光谱通道至3可降低参数和推理时间，却牺牲性能。

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。