【遥感图像入门】近三年遥感图像建筑物细粒度分类技术一览

近年来，遥感图像中建筑物细粒度分类（如住宅、商业、工业等子类）的研究在模型架构、多模态融合、弱监督学习等方向取得显著突破，尤其在结合上下文感知、结构语义建模和轻量化设计方面展现出前沿探索。以下是近三年（2022-2025）的关键进展及技术趋势：

一、模型架构与方法创新

1. 超分辨率重建与动态特征增强

• UB-FineNet框架（CVPR 2025）首次将去噪扩散概率模型（DDPM）引入卫星影像超分辨率，通过2000步迭代将4.78米分辨率影像提升至1.195米，PSNR达23.96 dB，较传统方法提升15%。结合动态类别平衡策略（CIBM）和对比监督（CS），在低分辨率开放卫星影像上实现11类建筑功能分类，Top-1准确率60.45%，性能媲美街景图像方法。其核心创新包括：
  • DDPM超分辨率：通过反向去噪过程恢复建筑边缘与纹理细节，缓解低分辨率导致的类内特征混淆。
  • 动态类别平衡：基于余弦相似度动态调整训练权重，使宗教设施等稀缺类别的F1-score提升12%。
  • 轻量化部署：ShuffleNetV2主干网络仅11.1MB，推理速度达26.72 FPS，支持城市级实时处理。

2. 上下文感知与长程依赖建模

• MEET数据集（CVPR 2025）包含1.03百万张遥感图像，覆盖80个细粒度场景类别，采用“场景内布局”（scene-in-scene）设计，通过中心场景与周