地球观测 - Tag - 堂堂一跑堂https://spacetop.win/tags/%E5%9C%B0%E7%90%83%E8%A7%82%E6%B5%8B/地球观测 - Tag - 堂堂一跑堂Hugo -- gohugo.iozh-CNkingcopper@whu.edu.cn (WangTong)kingcopper@whu.edu.cn (WangTong)Mon, 01 Jun 2026 12:00:00 +0800SkySense：20亿参数多模态遥感基础模型，统一理解地球观测https://spacetop.win/2026/06/20260601_120000_skysense_multimodal_foundation_model/Mon, 01 Jun 2026 12:00:00 +0800WangTonghttps://spacetop.win/2026/06/20260601_120000_skysense_multimodal_foundation_model/ SkySense：20亿参数多模态遥感基础模型，统一理解地球观测

论文解读 | CVPR 2024 | 2026-06-01

📄 论文信息

项目 内容
标题 SkySense: A Multi-Modal Remote Sensing Foundation Model Towards Universal Interpretation for Earth Observation Imagery
作者 Xin Guo, Jiangwei Lao, Bo Dang, Yingying Zhang, Lei Yu, Lixiang Ru, Liheng Zhong, Ziyuan Huang, Kang Wu, Dingxiang Hu, Huimei He, Jian Wang, Jingdong Chen, Ming Yang, Yongjun Zhang, Yansheng Li
会议 CVPR 2024
arXiv https://arxiv.org/abs/2312.10115
GitHub https://github.com/Jack-bo1220/SkySense
关键词 遥感基础模型、多模态融合、时序建模、地球观测、通用解译

🎯 解决的核心问题

遥感技术已经渗透到我们生活的方方面面——从城市规划、农业生产到灾害监测、环境保护。然而，传统的遥感影像理解技术存在一个根本性缺陷：每个任务都需要单独训练一个模型。比如，要检测建筑物变化，需要一个专门的模型；要识别农作物类型，又需要另一个模型；要监测森林覆盖变化，还需要第三个模型。

]]>Panopticon: 任意传感器地球观测基础模型https://spacetop.win/2026/05/20260531_133524_panopticon_any_sensor_foundation_model/Sun, 31 May 2026 12:00:00 +0800WangTonghttps://spacetop.win/2026/05/20260531_133524_panopticon_any_sensor_foundation_model/ Panopticon: 任意传感器地球观测基础模型

📌 论文信息

  • 标题: Panopticon: Advancing Any-Sensor Foundation Models for Earth Observation
  • 作者: Leonard Waldmann, Ando Shah, Yi Wang, Nils Lehmann, Adam Stewart, Zhitong Xiong, Xiao Xiang Zhu, Stefan Bauer, John Chuang
  • 会议: CVPR 2025 Workshops (EarthVision)
  • arXiv: 2503.10845
  • GitHub: Panopticon-FM/panopticon
  • 关键词: 任意传感器基础模型、地球观测、DINOv2、跨注意力机制、传感器无关

🗺️ 研究定位

大领域: 地球观测 (Earth Observation, EO)
小领域: 传感器无关基础模型 (Any-Sensor Foundation Models)
技术路线: 基于DINOv2的自监督学习 + 跨传感器视图生成 + 跨注意力通道融合

❓ 研究问题

地球观测数据具有高度异构性：不同卫星平台拥有不同的光谱波段、空间分辨率和成像模态（光学、SAR等）。现有基础模型通常针对特定传感器设计，无法处理任意传感器配置。

如何构建一个能够处理任意传感器配置（包括未见过的传感器组合）的基础模型，而不需要针对每个传感器进行专门适配？

作者从三个具体技术点入手：

  1. 视图生成问题: 如何将不同传感器的图像视为同一地理位置的增强视图？
  2. 光谱多样性问题: 如何在训练中增加光谱输入的多样性？
  3. 通道可变性问题: 如何处理不同传感器具有不同数量通道的情况？

💡 解决方案

Panopticon基于DINOv2框架，通过三个关键修改实现传感器无关性：

]]>