遥感影像 AI的本质：先把方向翻译成任务闭环
遥感影像 AI不是只背一个热门名词，而是要看它处理什么数据、解决什么任务、用什么指标证明有效。
学生入门时最重要的是先跑通最小闭环：明确输入输出，复现一个 baseline，再围绕数据、模型、评价或项目化展示做改进。
- 输入通常来自计算机 / 地理环境 / 遥感相关数据或公开 benchmark。
- 输出必须能被指标评估，不能只停留在概念介绍。
- 项目价值来自可复现结果、可视化分析和清楚的误差讨论。
方向导读
方向理解：先知道它到底在做什么
用 AI 解析卫星、无人机和航空影像，做土地覆盖、灾害监测、目标检测和变化检测。
中文链路图：把方向拆成输入、模型、任务和成果
任务地图
任务地图：别只背方向名，要看输入输出
一个方向能不能做成项目，关键看它能不能落到明确任务、评价指标和实验数据。
任务地图：适合小白先判断项目切入点
01
地物分类
判断区域是建筑、水体、农田或森林。
输入遥感影像、多光谱波段
输出土地覆盖类别
科研价值：适合做可视化地图项目。
02
目标检测
在大幅图像中定位小目标。
输入高分辨率影像
输出飞机、船舶、车辆框
科研价值：体现遥感小目标难点。
03
语义分割
把道路、建筑、水体等区域圈出来。
输入遥感图像、标注 mask
输出像素级地物图
科研价值：DeepGlobe 等数据可入门。
04
变化检测
发现灾害、扩建或生态变化。
输入多时相影像
输出变化区域
科研价值：适合实际应用叙事。
05
基础模型预训练
用自监督学习提升下游任务。
输入大规模卫星影像
输出通用遥感表示
科研价值：贴近 Prithvi、SatMAE 等前沿。
06
地理下游分析
把视觉结果转成地理决策信息。
输入影像 + GIS 数据
输出风险、产量或环境指标
科研价值：适合交叉应用。
技术路线
技术路线：从经典方法到现在的热点
技术路线不是模型名清单，而是看这个方向的问题意识如何一步步变化。
技术路线图：帮助学生看懂方法演进
遥感分割基准
从道路、建筑、水体等像素级任务建立 benchmark。
Transformer 遥感分割
用多尺度特征处理大图和复杂地物。
掩码自监督预训练
从海量卫星影像学习通用表示。
地球基础模型
把多源遥感数据预训练成可迁移基础模型。
论文清单
经典论文阅读清单
这不是让你背论文名，而是按时间线建立路线感：先看每篇论文解决了什么问题，再看图里哪一块最关键，最后知道它适合放进什么项目里。
DeepGlobe
DeepGlobe
为什么重要：DeepGlobe 是这个方向的代表工作，适合用来理解具体任务、核心方法和实验指标。
新手读法：重点看它的输入输出、核心模块、评价指标和失败案例，而不是只背论文标题。
打开论文 / 来源SegFormer
SegFormer
为什么重要：SegFormer 是这个方向的代表工作，适合用来理解具体任务、核心方法和实验指标。
新手读法：重点看它的输入输出、核心模块、评价指标和失败案例，而不是只背论文标题。
打开论文 / 来源SatMAE
SatMAE
为什么重要：SatMAE 是这个方向的代表工作，适合用来理解具体任务、核心方法和实验指标。
新手读法：重点看它的输入输出、核心模块、评价指标和失败案例，而不是只背论文标题。
打开论文 / 来源Prithvi
Prithvi
为什么重要：Prithvi 是这个方向的代表工作，适合用来理解具体任务、核心方法和实验指标。
新手读法：重点看它的输入输出、核心模块、评价指标和失败案例，而不是只背论文标题。
打开论文 / 来源评价指标
评价指标：怎么证明项目真的有效
不同任务不能只看 Accuracy。论文和项目都要说明指标为什么适合当前问题。
mIoU
土地覆盖和语义分割核心指标。
mAP
遥感目标检测常用指标。
F1 / Kappa
分类和变化检测常用。
Boundary Quality
道路、建筑、水体等边界是否清晰。
Cross-Region Generalization
换城市、季节、传感器后是否稳定。
Map Usability
输出结果能否形成可用地图或报告。
数据工具
数据集和工具：先看有没有公开入口
小白选题时先确认数据、代码和 benchmark 是否可获得，否则方向再热也很难落地。
导师翻译
导师主页方向翻译：这些词到底暗示什么
学生看老师主页最难的是不知道关键词背后对应什么任务和能力要求。
DeepGlobe
通常对应 DeepGlobe 相关任务、数据集、指标和实现路线。
SegFormer
通常对应 SegFormer 相关任务、数据集、指标和实现路线。
SatMAE
通常对应 SatMAE 相关任务、数据集、指标和实现路线。
Prithvi
通常对应 Prithvi 相关任务、数据集、指标和实现路线。
入门路径
入门路径：从小项目走到研究点
真正适合学生的路线，是先跑通最小闭环，再逐步加难度。
第 1 阶段：选区域和任务
从土地覆盖、建筑物或道路提取入手。
第 2 阶段：跑分割/检测 baseline
用 U-Net、SegFormer 或 YOLO 建立基线。
第 3 阶段：做跨区域测试
检查季节、传感器和城市变化后的泛化。
第 4 阶段：输出地图成果
把预测结果做成可视化地图和报告。
项目选题
项目选题：能写进简历和申请材料
下面这些题目不是空泛口号，而是可以沉淀代码、实验结果、图表和论文雏形的方向。
建筑物提取分割
用遥感图像输出建筑 mask 和 mIoU。
灾害前后变化检测
比较两期影像并输出变化地图。
土地覆盖分类
用多光谱数据做区域级分类和可视化。
跨城市泛化实验
训练一个城市，测试另一个城市。
常见问题
常见问题：小白最容易卡住的判断
这部分覆盖搜索和咨询时最高频的问题。
遥感 AI 需要 GIS 基础吗？
最好有一点坐标、投影和栅格数据概念，但入门可先做图像分割。
为什么不能当普通 CV 做？
遥感有大图、小目标、多光谱、地理尺度和时序变化问题。
适合做什么展示？
土地覆盖地图、变化检测对比、灾害监测或城市扩张分析。
继续探索适合你的科研方向
这个方向只是计算机科研路线中的一个入口。你也可以继续查看多模态学习、世界模型、推荐系统、可信 AI 等方向，再结合自己的专业基础、目标导师和时间周期选择更合适的切入点。