RS-Mamba是一种专门针对大型遥感图像密集预测任务的创新模型。该模型首次将状态空间模型引入遥感领域,通过循环状态空间模型实现全局有效感受野,同时保持线性复杂度。RS-Mamba采用多方向选择性扫描技术,有效捕捉遥感图像的空间特征分布。在语义分割和变化检测任务中,RS-Mamba展现出卓越性能。项目提供开源代码和训练框架,为遥感图像分析研究提供了新的工具和方法。

DenseCL是一种自监督视觉预训练方法，通过密集对比学习提升模型在密集预测任务中的表现。该方法实现简洁，核心部分仅需10行代码，适配多种数据增强技术。实验表明，DenseCL在目标检测和语义分割任务中性能显著提升，同时保持训练效率。项目开源了预训练模型和使用指南，便于研究者在视觉任务中应用。

CLIPSelf项目提出创新自蒸馏方法,使视觉Transformer能进行开放词汇密集预测。该方法利用模型自身知识蒸馏,无需标注数据,提升了目标检测和实例分割等任务性能。项目开源代码和模型,提供详细训练测试说明,为计算机视觉研究提供重要资源。