【深度学习新浪潮】基于遥感图像的城市三维重建技术实践与前沿进展

最新推荐文章于 2025-11-09 17:24:18 发布
最新推荐文章于 2025-11-09 17:24:18 发布
阅读量245 收藏
点赞数 4
CC 4.0 BY-SA版权
分类专栏： 深度学习新浪潮 文章标签： 深度学习 人工智能 图像处理 遥感图像 算法 三维重建 transformer
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/agito_cheung/article/details/153257159

在这里插入图片描述

一、引言

城市三维重建是数字孪生和智慧城市建设的核心环节。传统方法依赖LiDAR等主动遥感数据，但存在成本高、更新周期长等局限。随着商业遥感卫星技术突破（如0.3米级分辨率卫星组网），仅用遥感图像实现高精度三维建模成为可能。本文将围绕卫星数据要求、最新技术进展、算法工程师实践路径及开源工具链展开系统性分析。

二、卫星遥感图像的核心要求

  1. 空间分辨率
    需优先选择0.5米级以下全色（PAN）分辨率数据，如四维高景03/04星（0.3米PAN+1.2米MS），其高程相对精度达1米。对于建筑物密集区，可切换至“精细模式”提升20%分辨率。WorldView-3（0.31米PAN）和Pleiades Neo（0.3米PAN）也是主流选择。

  2. 立体成像能力
    要求卫星具备多视角成像能力，如四维高景03/04星通过前后视相机生成5°-45°可调基高比，支持高精度DSM/DEM生成。Maxar WorldView Legion（0.29米PAN）的立体高程精度达0.5米（相对精度），适合城市级三维建模。

  3. 光谱与辐射特性
    多光谱（MS）数据（如红、绿、蓝、近红外）可用于地物分类，而全色波段提供更高空间细节

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【深度学习新浪潮】遥感大模型研究进展一览
智能守恒_HengAI
09-08 352
遥感大模型正从单一技术突破转向技术-数据-应用三位一体的生态构建。多模态数据融合：攻克SAR与光学影像的特征对齐难题，提升多云多雨地区的解译精度；边缘智能：开发适配星载、无人机等设备的轻量化模型，实现监测响应的"最后一公里"突破；开放协作：构建全球遥感数据空间，打破数据孤岛，推动环境监测、灾害预警等全球公共产品的供给。通过技术创新与产业协同，遥感大模型将成为支撑数字地球建设的核心基础设施，为人类可持续发展提供智能化、精准化的决策支持。
【深度学习新浪潮】空天地数据融合技术在城市三维重建中的应用
智能守恒_HengAI
08-20 212
几何精度点云密度与完整性：具身智能仿真需覆盖机器人交互区域的精细几何特征，如门把手、楼梯台阶等。行业标准（如CIM3级）要求构件尺寸误差≤10cm，点云密度≥5点/m²，完整性比率（CR）≥90%。表面重建误差：采用均方根误差（RMSE）与Chamfer距离评估，典型值需≤5cm（导航场景）或≤2mm（抓取任务）。例如，工业机器人末端抓取精度要求±0.05mm，导航定位精度需±10mm。
遥感大模型核心技术体系深度综述：架构、认知与智能的全面跃迁（2025年9月版）
panshengwu的博客
10-09 1131
摘要：遥感大模型技术正推动对地观测领域进入智能新时代。文章系统梳理了九大核心技术体系：1）以Vision Transformer为核心的模型架构突破CNN局部性限制；2）MAE/CLIP等自监督预训练范式实现知识注入；3）多模态融合技术整合光学、SAR等多源数据；4）参数高效微调与提示学习技术实现能力迁移；5）时空建模技术捕捉动态变化规律；6）生成式建模实现数据增强与场景模拟；7）自适应计算平衡效率与精度；8）地理知识增强提升模型可解释性；9）基础模型理念整合各项技术。
IEEE Fellow梅涛：计算机视觉的前沿进展与挑战
阿木寺的博客
12-16 1281
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达创造出具有智慧的机器，迈向通用AI是人类长期以来的梦想。当下的AI发展到了哪个阶段？本文转载自：AI科技评论作者 | 维...
深度学习的1000+篇文章总结
02-28 7344
深度学习的1000+篇文章总结 本文收集和总结了有关深度学习的1000+篇文章，由于篇幅有限只能总结近期的内容，想了解更多内容可以访问：http://www.ai2news.com/, 其分享了有关AI的论文、文章、图书。 query 深度学习之-卷积神经网络(CNN)概述 http://www.ai2news.com/blog/53008/ 转录剪切的深度学习扩增RNA-序列分析 http://www.ai2news.com/blog/50094/ 深度学习三巨头齐聚NVIDIA GTC
全实验室最perfect计算机视觉深度学习路线解析୧₍˄·͈༝·͈˄₎୨
DJX_FAJ的博客
07-25 1014
本文系统梳理了计算机视觉领域从基础到前沿的知识体系与实战框架。首先对比CNN与Transformer的核心原理，分析其互补特性及融合趋势；随后详解OpenMMLab开源工具链的模块化设计及多任务应用；重点剖析六大核心模型（OpenPose、SlowFast、YOLOv8、DeepSORT、U-Net）的技术创新与适用场景；最后聚焦自动驾驶领域的多模态BEV技术，解析其视角转换、时序融合等关键技术及前沿动态。全文构建了理论-工具-模型-应用的完整学习路径，为CV从业者提供从入门到进阶的完美路线。
数字赋能解锁图像处理技术的创新应用与未来展望
wzbdata的博客
10-16 535
数据的爆发式增长、计算能力的飞速提升以及人工智能算法的突破性进展，共同为图像处理技术注入了新的活力，解锁了其在众多领域的创新应用，并展现出令人振奋的未来图景。随着算法的不断进化、算力的持续提升以及与应用场景的深度融合，图像处理技术必将解锁更多未知的可能，为人类社会进步贡献更大的力量。数字赋能还体现在多源数据的融合上。高分辨率相机捕捉产品图像，通过算法实时检测表面缺陷、尺寸偏差、装配错误等，其速度、精度和稳定性远超人工检测，实现了7x24小时不间断作业，显著降低了生产成本，提高了产品质量一致性。
2024年末总结&经典SLAM技术是否没落？
3D视觉工坊
01-02 539
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达编辑：3D视觉工坊来源：https://zhuanlan.zhihu.com/p/14914009949扫描下方二维码，加入「3D视觉从入门到精通」知识星球(点开有惊喜)，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门秘制视频课程、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目、搞...
计算机视觉笔记及资料整理(含图像分割、目标检测)
热门推荐
Jaybo
08-12 1万+
前言 1、简单聊聊： 在我脑海中我能通过这些年听到的技术名词来感受到技术的更新及趋势，这种技术发展有时候我觉得连关注的脚步都赶不上。简单回顾看看，从我能听到的技术名词来感受，最开始耳闻比较多「云计算」这玩意，后来听到比较多的是「数据挖掘」，当时想着等考上研也要选数据挖掘这个方向（遗憾最后没考上…），然而毕业之后听到的最多便是「人工智能」，整个技术圈似乎完全被这个词所覆盖，怎么突然火起来这个？我...
【LabVIEW深度图像分析】：拼接技术的全面实现步骤
本文系统地介绍了LabVIEW在图像拼接技术中的应用，从基础理论到进阶技术，涵盖图像特征提取、变换配准、实时拼接挑战、多摄像头系统拼接以及三维图像拼接与重建等多个方面。通过对LabVIEW环境下图像拼接流程的实践...
注意力机制：Jointly Learning to Align and Translate中从双向RNN编码器到软对齐的完整流程
2302_76169191的博客
11-05 866
本文提出了一种联合学习翻译和对齐的神经网络模型，采用双向RNN编码器获取上下文表示，并通过注意力机制隐式学习源语言与目标语言的词语对齐关系。解码器训练阶段使用Teacher Forcing策略逐步预测目标词，计算注意力权重并生成上下文向量，最终通过交叉熵损失优化模型参数。预测阶段采用自回归方式生成完整序列。该方法在一个统一框架内实现了翻译和对齐的协同学习，克服了传统统计机器翻译中分离处理这两个任务的局限性。
75_基于深度学习的咖啡叶片病害检测系统（yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集）
you 是 mine
11-04 1092
本项目基于PyQt5构建了简洁易用的图形用户界面，支持用户选择本地图片或视频进行目标检测。系统界面美观，交互流畅，具备良好的用户体验。项目附带完整的 Python 源码和详细的使用说明，适合学生进行学习或有一定 Python 基础的开发者，参考与二次开发。您可以在文末获取完整的代码资源文件。✨ 项目亮点🔧包括pyqt5界面、后台检测逻辑、模型加载等模块🧠源代码，支持个人添加改进、模型修改等🚀结构清晰，逻辑完整，便于演示使用数据集一部分个人标注，一部分来源网络，已统一标注格式并完成预处理，
GRNN广义回归神经网络分类预测+特征贡献SHAP分析+特征依赖图！Matlab
最新发布
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
11-09 483
GRNN广义回归神经网络分类预测+特征贡献SHAP分析+特征依赖图！Matlab
【ICLR26匿名投稿】MMSeg：让“图像提示分割”更聪明——多模态、多视角驱动的无训练分割新范式
Gorgeous_wxd
11-05 575
最终得到一组多模态融合的提示点（positive/negative prompts），输入 SAM 进行掩码生成。让图像提示分割从“单模态模糊”走向“多模态精准”， 在完全无训练条件下，实现可与训练模型媲美的分割性能。带来了“零样本分割”的浪潮——输入一个提示点或文字，就能切出物体边界。通过“视觉 + 文本”两条独立分支定位目标，再用多视角增强和共识优化生成高质量分割。—— 视觉-only 方法易错分，文字-only 方法又受语义歧义困扰。：通过旋转、翻转等生成多种视角图像，融合匹配结果提升稳健性。
【深度学习新浪潮】Flow Matching使用线性插值，可以不输入时间t作为条件吗？
智能守恒_HengAI
11-05 177
FM的核心是学习一个向量场vX×01→RdvX×01→Rdddd为数据维度），满足流方程dxtdtvxttx0∼p0dtdxt​vxttx0∼p0​我们希望当t→1t \to 1t→1时，x1∼p1x1∼p1​（目标分布）。当源分布p0p_0p0​和目标分布p1p_1p1​的支持集互不重叠时，无t模型可行且效果接近含t模型（因为xtx_txt​。
机器学习中模型的鲁棒性是什么
小小默：进无止境
11-05 1195
模型鲁棒性（Robustness）指模型在数据噪声、扰动或分布变化时仍能保持稳定预测的能力。提升方法包括： 数据层面：添加噪声训练、异常值处理、领域自适应 模型层面：使用集成方法、正则化、对抗训练 训练策略：采用鲁棒损失函数、权重衰减、交叉验证 后处理：预测校准、集成预测、阈值调整 对抗训练通过生成对抗样本并混合训练提升鲁棒性，常用FGSM/PGD等方法。实现步骤包括模型定义、对抗样本生成和联合训练。鲁棒性是模型实用化的关键，需结合实际场景针对性优化。
深度学习-损失函数
qq_31041167的博客
11-07 316
【代码】深度学习-损失函数。
神经网络 - 卷积神经网络
qzhqbb的博客
11-07 965
在全连接层中，假设前一层有nnn个神经元，当前层有mmm个神经元，那么会存在n×mn \times mn×m个可训练的权重（参数）。ajf∑i1nwji⋅xibjaj​f∑i1n​wji​⋅xi​bj​其中，xix_ixi​是前层第iii个神经元的输出，wjiw_{ji}wji​是前层第iii个神经元到当前层第jjj个神经元的权重，bjb_jbj​是当前层第jjj。
AAAI 2025 | 川大提出Mesorch：CNN与Transformer并行架构，革新图像篡改检测！
2501_93716422的博客
11-07 1172
如今，图像篡改技术越来越逼真，如何准确识别和定位图像中被篡改的区域成为一个重要课题。现有的方法大多只关注图像的微观痕迹（如噪声、边缘）或宏观语义（如物体内容），难以同时捕捉篡改留下的细微痕迹和整体语义变化，导致定位效果不佳。实验表明，该模型在多个公开数据集上取得了最先进的定位精度，并且在抗干扰能力和计算效率方面也表现优异。作者姓名与单位：朱雪康、马晓晨、苏磊等，分别来自四川大学、MBZUAI、香港理工大学、澳门大学等单位。计算每个尺度的平均权重 ，若低于阈值 ，则剪枝该尺度，以提升效率。
人工智能三次浪潮与深度学习发展脉络解析
本文以“人工智能的三次浪潮”为核心脉络，系统梳理了从1950年图灵提出“机器智能”概念以来，AI在理论、算法、应用和产业落地等方面的演进轨迹，并深入剖析了深度学习（DL）、机器学习（ML）与人工智能（AI）三者...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Andrew-国星宇航

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值