遥感大模型：综述与未来设想.pdf

遥感大模型：综述与未来设想。随着遥感对地观测和人工智能技术的迅猛发 展，我们正进入一个遥感大数据与人工智能相互融 合的时代。高分辨率遥感图像在资源勘探、环境监 测、精准农业和军事侦察等领域的应用已变得越来 越广泛 。在这些应用中，目标检测、语义分割、场 景分类和变化检测等遥感视觉任务构成了这些研 究任务的基本前提和核心支撑。深度神经网络 （DNNs）凭借丰富的标注数据和强大的GPU计算 能力，显著提升了遥感视觉任务的准确性。然而， DNNs在满足遥感应用需求方面仍存在诸多不足。 一方面，DNNs的性能通常受到耗时费力的标注过 程和单一任务限制的影响（例如，每个视觉识别任 务通常需要单独训练一个DNN）；另一方面，特定传感器影像的标注数据非常稀缺。近年来，基础模型 （Foundation Models， FMs）在视觉和语言理解任务 中展现出卓越的通用性，代表性实例包括ChatG⁃ PT 、Gemini和 CLIP。FMs在视觉任务中展现 出巨大潜力的原因主要包括以下3个方面：数据和 模型规模、学习策略和适应性。具体而言，大规模 数据和模型使FMs能够捕捉数据中的复杂信息，从 而生成更具代表性的特征。在学习策略方面，FMs 通过自监督或半监督学习，利用多模态数据（包括 文本、图像、音频和视频）进行训练，减少了对人工 标注的依赖，显著减轻了标注工作的负担。FMs通 常可以通过增加少量与任务相关的特定数据或参 数，适应或微调以满足各种下游任务或领域的 需求。