遥感基础模型

少样本适配新任务

通过语义增强预训练，该模型仅需极少标注即可适配未见任务，跨越七个领域的十二项地球观测任务均表现一致提升。

Kang, Wu · Yingying, Zhang · Ru, Lixiang · Dang, Bo · Jiangwei, Lao · 余磊 · Junwei, Luo · Zhu, Zifan · Yue, Sun · Zhang, Jiahao · Qi, Zhu · 王健 · Yang, Ming · Chen, Jingdong · 张永军 · 李彦胜

Nature Machine Intelligence 2025

参数信息

预训练数据量

27 million

覆盖领域数

7

覆盖任务数

12

技术优势

少样本适配

通过掩码语义学习获得语义丰富表征，仅需极少标注即可处理未见任务。

多模态通用

分解式架构可容纳不同传感器获取的多模态图像，无需为每种模态单独设计模型。

跨任务一致提升

在 7 个领域 12 项 EO 任务上相比此前最先进模型均取得提升，覆盖农业、林业、海洋、大气、生物、测绘和灾害管理。

应用场景

• 智能遥感：作为通用底座，为多模态遥感任务提供统一表征，减少重复训练。
• 灾害快速制图：少样本能力支持快速适配，无需大量标注即可用于灾害应急制图。
• 土地利用分类：跨领域预训练提升土地利用分类精度，减少标注需求。
• 多模态对齐：分解式架构天然支持多模态输入对齐，简化跨传感器应用。