迈向开放世界遥感影像解释：过去、现在与未来

《IEEE Geoscience and Remote Sensing Magazine》：Toward Open-World Remote Sensing Imagery Interpretation: Past, present, and future

本文系统综述了遥感领域视觉任务的最新进展，重点分析小样本学习、开放集识别、增量学习及领域适应等关键技术，揭示现有模型在泛化能力、持续学习及跨域适应方面的不足，并提出融合基础模型、多模态融合与领域知识的解决路径。

　　

摘要：

在过去十年中，人工智能解决方案，尤其是基于深度学习的解决方案，在遥感图像理解领域取得了显著进展。尽管研究取得了重大突破，但现有技术水平与应用需求之间仍存在差距。传统范式下训练的神经模型在快速泛化新任务、准确识别未见类别、有效参与持续学习以及适应数据分布差异方面通常表现有限。因此，开发适用于开放世界场景的通用且可扩展的图像解释方法至关重要。本文首次系统而全面地回顾了遥感领域中的关键视觉任务，涵盖了少样本/零样本学习、开放集识别、增量学习和领域适应/泛化等内容。文章详细讨论了每项任务的预期目标、评估方法及代表性研究工作，特别强调了它们对开放世界图像理解的独特贡献。该综述涵盖了近300篇文献，重点关注了过去三年（2022-2024年）的成果。此外，本文还深入分析了该领域面临的挑战，包括单个视觉任务层面以及更广泛的开放世界主题背景下的问题。同时，提出了潜在的应对策略和有前景的研究方向，如基础模型、多模态技术和领域知识，为地球科学和遥感领域的未来发展提供了新的思路。