ViTAE-Transformer-Remote-Sensing

ViTAE-Transformer-Remote-Sensing

遥感图像解释的视觉变压器模型集合

ViTAE-Transformer-Remote-Sensing项目致力于遥感图像解释领域的视觉变压器模型研究。该项目涵盖遥感预训练、场景识别、语义分割和目标检测等多项任务,提出了RVSA和MTP等创新模型架构和训练方法。项目还开发了SAMRS大规模遥感分割数据集。这些成果有助于推进遥感基础模型的发展,为遥感应用提供技术支持。项目成果包括遥感预训练研究、场景识别模型、语义分割技术和目标检测算法。RVSA和MTP等创新架构提升了模型性能和效率。SAMRS数据集的开发为遥感分割任务提供了大规模训练资源。

遥感计算机视觉深度学习图像分割目标检测Github开源项目

:alarm_clock: 论文"遥感预训练的实证研究"的代码仓库已移至 RSP

<h1 align="center">遥感</h1>

本仓库包含了我们与遥感相关的研究工作的综合列表。如有任何相关问题,请联系<strong><a href="https://dotwang.github.io">王迪</a></strong>,邮箱:wd74108520@gmail.comd_wang@whu.edu.cn

概览

1. 遥感预训练的实证研究 [TGRS-2022]

<a href="https://arxiv.org/abs/2204.02825"><img src="https://img.shields.io/badge/arxiv-论文-brightgreen"></a> <a href="https://ieeexplore.ieee.org/document/9782149"><img src="https://img.shields.io/badge/TGRS-论文-blue"></a> <a href="https://github.com/ViTAE-Transformer/RSP"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/894ace51-faa7-47a2-8294-a4bd7c3d4fae.svg?logo=github&label=Stars&color=white"></a>

2. 推进普通视觉Transformer成为遥感基础模型 [TGRS-2022]

<a href="https://arxiv.org/abs/2208.03987"><img src="https://img.shields.io/badge/arxiv-论文-brightgreen"></a> <a href="https://ieeexplore.ieee.org/document/9956816"><img src="https://img.shields.io/badge/TGRS-论文-blue"></a> <a href="https://github.com/https://github.com/ViTAE-Transformer/Remote-Sensing-RVSA"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/4418db4d-f0db-44a4-89e1-3ca05068e154.svg?logo=github&label=Stars&color=white"></a>

3. SAMRS: 使用Segment Anything Model扩展遥感分割数据集 [NeurIPS-2023]

<a href="https://arxiv.org/abs/2305.02034"><img src="https://img.shields.io/badge/arxiv-论文-brightgreen"> <a href="https://openreview.net/forum?id=jHrgq55ftl"><img src="https://img.shields.io/badge/NeurIPS-论文-purple"></a> <a href="https://github.com/ViTAE-Transformer/SAMRS"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/9009bb85-b02e-445b-8e3c-631ef08e2b99.svg?logo=github&label=Stars&color=white"></a>

4. MTP: 通过多任务预训练推进遥感基础模型 [JSTARS-2024]

<a href="https://arxiv.org/abs/2403.13430"><img src="https://img.shields.io/badge/arxiv-论文-brightgreen"> <a href="https://ieeexplore.ieee.org/document/10547536"><img src="https://img.shields.io/badge/JSTARS-论文-green"></a> <a href="https://github.com/ViTAE-Transformer/MTP"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/40760e15-49d0-4467-9575-e0dfbad3432c.svg?logo=github&label=Stars&color=white"></a>

5. LeMeViT: 用于遥感图像解释的高效视觉Transformer与可学习元令牌 [IJCAI-2024]

<a href=""><img src="https://img.shields.io/badge/arxiv-论文-brightgreen"></a> <a href="https://ieeexplore.ieee.org/document/9782149"><img src="https://img.shields.io/badge/IJCAI-论文-blue"></a> <a href="https://github.com/ViTAE-Transformer/LeMeViT"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/130d466d-ad6f-4e88-ba9e-d73ca7e4a138.svg?logo=github&label=Stars&color=white"></a>

项目

<span id="rsp">📘 遥感预训练的实证研究 [TGRS-2022]</span>

<em>王迪<sup></sup>,张静<sup></sup>,杜博,夏桂松,陶大程</em>

论文 | Github代码 | BibTex

我们利用目前最大的遥感场景识别数据集MillionAID,从头训练不同的网络,以获得遥感预训练的骨干网络,包括卷积神经网络(CNN)和视觉Transformer(如Swin和ViTAE),这些网络在计算机视觉任务中表现出色。然后,我们研究了ImageNet预训练(IMP)和遥感预训练(RSP)对一系列下游任务的影响,包括场景识别、语义分割、目标检测和变化检测,使用CNN和视觉Transformer骨干网络。

<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/e7ba1229-50aa-4584-b483-c49411178327.png" width="100%">

<span id="rvsa">📘 推进普通视觉Transformer成为遥感基础模型 [TGRS-2022]</span>

<em>王迪<sup></sup>,张启明<sup></sup>,徐宇飞<sup></sup>,张静,杜博,陶大程,张良培</em>

论文 | Github代码 | BibTex

我们采用约1亿参数的普通视觉Transformer,首次尝试提出针对遥感任务定制的大型视觉模型,并提出新的旋转可变大小窗口注意力(RVSA)来替代原始的全注意力,以处理遥感图像中的大尺寸图像和各种方向的目标。RVSA可以显著降低计算成本和内存占用,同时通过从生成的多样化窗口中提取丰富的上下文来学习更好的目标表示。

<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/f14ec846-f94f-45c7-ac59-96f55e4937a9.png" width="100%">

<span id="samrs">📘 SAMRS: 使用Segment Anything Model扩展遥感分割数据集 [NeurIPS-2023]</span>

<em>王迪,张静,杜博,徐敏强,刘琳,陶大程,张良培</em> 论文 | Github 代码 | BibTex

在这项研究中,我们利用<a href="https://arxiv.org/abs/2304.02643">SAM</a>和现有的遥感目标检测数据集,开发了一个高效的流程来生成大规模遥感分割数据集,称为SAMRS。SAMRS在规模上超过了现有的高分辨率遥感分割数据集几个数量级,并提供了可用于语义分割、实例分割和目标检测的对象类别、位置和实例信息,这些信息可以单独或组合使用。我们还从多个方面对SAMRS进行了全面分析。我们希望它能促进遥感分割研究,特别是在大型模型预训练方面。

<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/cbab9861-94aa-472f-bccc-edff9549c847.png" width="100%">

<span id="mtp">📘 MTP:通过多任务预训练推进遥感基础模型 [JSTARS-2024]</span>

<em>王迪, 张静, 徐敏强, 刘林, 王东升, 高尔忠, 韩成希, 郭浩南, 杜博, 陶大程 和 张良培</em>

论文 | Github 代码 | BibTex

在这项研究中,我们探索了遥感基础模型的多任务预训练(MTP)范式。使用共享编码器和特定任务解码器架构,我们在SAMRS数据集上进行多任务监督预训练,包括语义分割、实例分割和旋转目标检测。MTP支持卷积神经网络和具有超过3亿参数的视觉transformer基础模型。预训练模型在各种遥感下游任务上进行微调,如场景分类、水平和旋转目标检测、语义分割和变化检测。我们希望这项研究能鼓励进一步探索遥感基础模型,并期待这些模型在遥感图像解释的各个领域得到广泛应用。

<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/3fd871a7-6588-40ae-baf7-0014afabaa8f.png" width="100%">

<span id="lemevit">📘 LeMeViT:具有可学习元令牌的高效视觉Transformer用于遥感图像解释 [IJCAI-2024]</span>

<em>蒋文涛, 张静, 王迪, 张启明, 王增茂 和 杜博</em>

论文 | Github 代码 | BibTex

在这项研究中,我们提出使用可学习的元令牌来构建稀疏令牌,这有效地学习关键信息同时提高推理速度。我们提出双向交叉注意力(DCA)来促进图像令牌和元令牌之间的信息交换,它们在双分支结构中交替作为查询和键(值)令牌,与自注意力相比显著降低了计算复杂度。分类和密集预测任务的实验结果表明,LeMeViT具有显著的加速效果、更少的参数和有竞争力的性能,并在效率和性能之间取得了更好的平衡。我们希望这项研究能推动高效遥感模型的发展,并促进基础模型的实际应用。

<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/cfb2d783-ee50-46ab-b95c-134054fa8121.png" width="100%">

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多