前一阵子一位刚进组的师弟问我遥感方向是不是把检测、分割、跟踪、超分辨率串成一条流水线就能应付大多数项目了我愣了一下因为这几个任务确实经常出现在同一份技术方案里但真上手会发现它们的输入数据、标注方式、评估指标、模型结构完全是四套逻辑。硬串到一起只会互相拖累。这篇内容来自我自己在卫星图像这几个方向上的系统调研整理包括数据集对比、常用模型选型、工程实践中的坑、以及一套论文阅读笔记方法。适合刚接触遥感视觉的初学者做全局认知也适合已经跑通自然图像检测、分割正准备切入遥感场景的工程师做选型参考。整篇不涉及具体项目代码只讲方法论和关键决策逻辑。1. 这五个方向不是一条流水线先定数据、标注和指标1.1 为什么“串成流水线”是错觉很多人第一次看到卫星图像处理的需求时会本能地画一条链超分先把图像变清晰检测找出目标分割抠出轮廓跟踪看时序变化。听起来顺理成章但实际项目里几乎没有哪个场景需要把四件事同时做完。原因很简单超分和检测的输入输出不匹配。超分模型输出的图像虽然分辨率更高但像素值分布已经改变很多检测模型在原始分辨率上训练后放到超分结果上反而掉点。跟踪则依赖连续帧的时间一致性而大多数卫星图像任务拿到的只是单景静态影像根本不存在“帧”的概念。我在实际项目中更常见的工作流是静态影像上做目标检测或地物分割这是最主流的需求视频卫星的连续帧序列上做多目标跟踪目标往往极小超分辨率作为独立的增强模块存在一般在可视化展示或特定小目标检测场景中才会接入数据集调研不是“前置步骤”而是贯穿始终的持续动作。所以这篇文章里我也按“任务拆开讲”的方式组织每个任务独立看数据、模型、评估和工程细节。这样比强行统一成一套框架要实用得多。1.2 遥感数据和自然图像的本质差异为什么不能直接把COCO上跑通的模型搬到卫星图上我总结下来有四个核心差异每个都会直接影响选型和调参。第一是目标尺度。卫星图像里一艘舰船可能只有几十个像素一辆车十几个像素和自然图像里占画面主体的大目标完全不同。小目标对模型下采样的次数非常敏感特征图上一个像素可能对应原图几十个点稍微降采样目标就消失了。第二是图幅尺寸。一张高分成像可能达到数万乘数万像素直接整图送入模型不现实必须切块处理切块参数直接影响结果。第三是方向敏感性。自然图像里的物体大多是“头朝上”的但俯视图中的舰船、飞机、建筑物可以朝向任意角度。水平框在遥感场景里会引入大量背景噪声旋转框更合适。第四是光谱通道。很多遥感影像是多光谱数据除了RGB还有近红外、红边等波段类别定义也往往依赖光谱特征。所以遥感里就有“基于像素分类”的老派方法传统和纯深度学习路线并行存在。这些差异共同决定了遥感视觉项目里数据准备和评估设计要花掉比模型调参更多的时间。我甚至会把第一个里程碑定为“数据准备好、基线能跑通、指标能复现”而不是“模型跑出多高的精度”。2. 数据集调研检测、分割、跟踪、超分各自的资源版图2.1 目标检测DOTA、DIOR、HRSC2016 和 SpaceNet目标检测是遥感视觉里数据积累最成熟的子方向。论文里出现频率最高的数据集我整理成了一张表方便直接对照选型数据集影像规模标注形式典型类别适合场景DOTA-v1.02806张旋转框飞机、舰船、储油罐、桥梁、足球场等15/18类旋转框检测的主流基准新方法必测DOTA-v2.011268张旋转框18类含更多小目标更挑战类别更全样本更丰富DIOR23463张水平框飞机、机场、港口、立交桥等20类水平框检测的规模基准HRSC20161061张以舰船为主旋转框舰船细分类别单类目标检测、舰船场景专用NWPU VHR-10800张水平框旋转框可选飞机、车辆等10类小型快速验证、课程作业SpaceNet系列多城市高分辨率影像矢量Polygon/框建筑物、道路面向地理信息提取含多视角样本我第一次用DOTA的印象很深刻一张图里可能有上千个目标大小从几十像素到上千像素都有。DOTA-v2.0比v1.0又增加了很多小目标实例可见遥感检测的难点确实在小目标和大尺度变化。如果一个项目要做的是“通用目标检测”优先考虑DOTA-v2.0做预训练或评测。如果目标单一比如只做船只检测HRSC2016更贴近真实场景但数据量不大通常和自采数据混合使用。如果需要矢量语义输出SpaceNet系列的Polygon标注可以直接训练实例分割模型也可以转换为旋转框。2.2 语义分割Potsdam、LoveDA、DeepGlobe 怎么选检测看“有什么”分割看“边界在哪”。遥感语义分割的数据集大多来自城市、农田、自然地貌类别差异比较大。Potsdam 和 Vaihingen 是 ISPRS 提供的经典城市分割基准影像分辨率很高Potsdam约5cmVaihingen约9cm类别包括不透水面、建筑、低矮植被、树木、汽车、背景。优点是标注精细适合算法对比缺点是区域单一泛化性测试有限。我自己的经验是模型在 Potsdam 上的 mIoU 高不一定在别的城市也高因为建筑风格和植被光谱差别太大了。LoveDA 的切入点是城市与乡村的域迁移问题包含不同地形区域的地表覆盖标注比 Potsdam 更考验泛化能力。DeepGlobe Land Cover 则是中分辨率亚米级到米级的土地覆盖分类类别包括城市、农业、牧场、森林、水域、荒地等更贴近宏观制图需求。工程选型时我的建议是做精细城市要素提取先跑 Potsdam但别把全部预期放在它上面做土地利用/土地覆盖制图优先 DeepGlobe 这类大类别宏观数据验证模型在不同区域的泛化性用 LoveDA 做域迁移评测更有说服力。此外还有 GIDGaofen Image Dataset这类国产高分影像数据集类别覆盖城市、农村、水体等适合国内项目的本地化验证。2.3 目标跟踪视频卫星基准的稀缺现状跟踪方向的数据集是四个任务里最紧缺的。原因很简单卫星视频获取成本高、时间分辨率低能公开的视频序列非常少。目前学术界常用的基准主要来自国产视频卫星拍摄的时序影像典型如 VISO 等一批基准集目标以机场附近的飞机、港口船只、道路上车辆为主。这些数据集的共同特点是单目标或多目标数量不多、目标尺寸极小、帧间隔较大、背景因平台运动而持续变化。我接触这类数据后的第一感受是和 MOTChallenge 这类自然视频基准完全不同。监控视频里行人有几十上百像素能被清晰辨认出轮廓卫星视频里的目标往往只有 5x5 到 15x15 像素外观信息几乎没有跟踪基本靠运动预测和重检测。所以跟踪数据集的调研策略也和检测、分割不同别指望找到现成的“大而全”数据集更要关注视频帧数、目标像素范围、是否有遮挡/重现、相机运动幅度这些与任务难度直接相关的指标。很多论文的补充材料里会给出数据集统计这部分值得仔细读。2.4 超分辨率没有标准数据集的现实解法超分方向在遥感领域最尴尬的点是没有一个像 DOTA 那样被全员认可的公开评测基准。自然图像里有 Set5、Set14、DIV2K 等标准测试集遥感超分则大多是自己造数据。通行的做法是拿高分辨率卫星影像当 HR再通过降采样得到 LR形成训练对。常见选择有 WorldView、QuickBird 等公开商业影像的数据子集也有直接用 DOTA 检测图降采样后做超分评测的工作。只要能说明影像来源和降采样方式在论文里都是可接受的。如果目标是更贴近真实场景可以关注多光谱数据内部对齐的方式。例如 Sentinel-2 不同波段空间分辨率不同10m/20m/60m可以将高分辨率波段与其对应的低分辨率波段对齐形成天然的 LR-HR 训练对这种方案避免了人为降采样的误差。不过这类数据分辨率本身较低适合宏观尺度研究不适合单目标精细增强。我自己在工程里通常准备两套数据一套用双三次降采样得到的标准训练对用于模型训练另一套用真实历史影像的局部区域做目视和任务级评估用来回答“这个超分模型放在实际数据上到底行不行”。2.5 所有数据集都要注意的三个问题不管用哪个数据集有三个方面我建议第一时间检查否则后期会被迫返工。第一是标注格式统一性。DOTA 用的旋转框坐标顺序、DIOR 用的水平框左上右下、SpaceNet 用 GeoJSON 多边形彼此之间不能直接混用。训练前必须确认所有数据统一到同一个格式并做好可视化核对。第二是同源数据泄漏。很多人直接把一张大图切成若干小图再随机划分训练集和验证集结果同一张大图的不同切块分别落在两个集合里导致验证指标虚高。正确做法是先按原始影像划分集合再做切块。第三是类别体系的一致性。不同数据集对“建筑”“道路”“植被”的定义和边界标准不一样合并训练前必须重新标注检查不能只做简单的类别编号映射。我见过有人把 Potsdam 的“不透水面”直接映射到 DeepGlobe 的“城市”结果模型在推理时一片混乱。3. 目标检测实操旋转框、切图和小目标的三个坎3.1 旋转框不是炫技是坐标系适配拿到卫星图像第一件事要做的决定用水平框还是旋转框。我的判断标准很简单如果目标整体轮廓朝向多样化比如舰船、飞机、球场、建筑物、油罐而且目标彼此靠近旋转框能明显减少检测框之间的IoU重叠和漏检优先旋转框如果目标本身近似圆形或方向影响不大比如分散的车辆水平框就够用不必增加复杂度。旋转框检测的模型生态现在已经相当成熟。论文中常见的是 Oriented R-CNN、S2ANet、RoI Transformer 这类两阶段方法工程上则可以直接用 YOLOv8-OBB、RTMDet-R 这类开源实现。我的实际体验是如果不是要发论文而是要做稳定基线YOLOv8-OBB 配一套合理的切图流程是最省心的选择训练速度快部署也方便。一个容易忽略的细节是旋转框的数据增强。水平框目标做随机旋转增强很自然但旋转框标注在几何变换后坐标也要跟着转。很多开源库封装好了但如果自己写数据处理这里是个高频出错的点。另外90度、180度、270度的整数倍旋转对遥感俯视目标无影响可以放心用非整数倍旋转则要考虑目标是否会出现镜像或失真。3.2 切图推理是遥感检测的隐形关键参数很多人在自然图像数据集上把模型调得很好一换到遥感图像就崩问题往往出在切图参数上而不是模型本身。我常用的切图配置是训练时以约 1024x1024 或 1280x1280 的 chip 尺寸切片overlap重叠设置为 10% 到 20%推理时 chip 尺寸与训练保持一致但 overlap 提高到 25% 到 30%。原因很简单推理时必须把重叠预测合并掉否则目标被切在边缘会严重变形NMS 合并策略会丢掉大量预测。合并重叠区域预测时不能简单地把低置信度的框丢弃。更稳妥的做法是按叠加次数加权或者使用带权重的 NMS——每个框的置信度乘上一个与它在重叠区中心距离相关的权重让边缘预测自动降权。实测下来这一操作比单纯调低置信度阈值对查全率的提升更明显。切图尺寸也不是越大越好。chip 超过 1600 像素后GPU 显存吃紧而小目标在深层特征图上的表现并不会因为输入变大而线性提升。合理策略是先固定一个可承受的 chip 尺寸再用多尺度推理0.8x、1.0x、1.2x和测试时增强来弥补。3.3 小目标增强和误检后处理遥感检测中小目标问题几乎是永恒的主题。我总结下来有效的手段按性价比排序是高分辨率输入能上 1280 就不上 1024小目标对下采样极其敏感特征金字塔从更浅层开始至少使用 P2 或 P3 层让小目标信息存在独立通道复制粘贴增强把标注的小目标从一张图复制到另一张图的合适位置改善小目标样本不足推理时多尺度融合对推理结果做像素级融合或预测框级融合。误检方面遥感图像最常见的是阴影、云边缘、建筑物屋顶造成的假阳性。这些误检在视觉上很像目标但尺度分布和上下文有明显规律。我会在检测器之后加一道规则后处理根据目标类别设定合理的最小/最大像素尺寸范围再把超出边界的目标剔除。比如检测港口船舶时一个 3x3 像素的噪声框大概率不是船只。DOTA 这类数据集中类别不平衡也很明显一些类别样本成千上万另一些只有几百。我在研究阶段会单独计算每个类别的 AP而不是只看 mAP因为 mAP 会被容易类拉高掩盖困难类的真实表现。4. 分割任务模型选型、标注制作与道路级别的地物评估4.1 从U-Net到SAM的代表模型清单遥感语义分割的模型选择范围很大按从简单到复杂的顺序我大概用过这几类U-Net 及其变体是入门首选参数量小、训练快在数据量有限时表现稳定。但它的感受野有限对大范围连续地物如大片森林以及细长地物道路、河流容易断裂。DeepLabV3 用空洞卷积扩大感受野对多尺度地物更友好但如果输入影像非常大空洞卷积的显存占用也不低。SegFormer 这类 Transformer 结构在遥感数据集上精度上限更高不过训练时间和对显存的需求都明显增加适合对精度有明确要求且算力足够的项目。最近一两年 SAMSegment Anything在遥感领域很热但我的看法是SAM 的直接推理结果并不适合直接当最终分割结果因为它没有类别概念只做通用前景背景分离。它在遥感里最大的价值是辅助标注——先生成高质量的 mask再人工修正并分配类别能把标注成本降到一个很低的水平。实例分割在遥感里的情况要更复杂一些。船舶、飞机这些密集目标用 Mask R-CNN 训练时很容易出现 mask 粘连或漏检。如果项目对轮廓精度要求不是特别高我更倾向于用旋转框检测加后处理矢量化只有需要真实多边形面状输出时才考虑实例分割模型。4.2 标注工具链与格式转换语义分割的标注流程很多团队还在用手工在像素图上描非常痛苦。我用过比较顺的链路是先在大幅影像上画 Polygon 的行业做法是使用 QGIS 或 ArcGIS 这类 GIS 工具因为影像本身有地理坐标可以直接产出矢量数据然后将矢量栅格化为 PNG 格式的 mask转为标准语义分割标签最后在如 Supervisely 或 CVAT 之类的标注平台里做检查修正。实际标注中最高频的问题是边界处理。两个相邻地物类别比如道路和建筑基座之间如果留有空隙模型训练时会产生一个永远学不会的“边界类”测试时输出会很脏。我的习惯是在栅格化之前对所有相邻 polygon 做 1-2 像素的缓冲处理确保类别之间无缝衔接。地物类别定义也必须在标注前和业务方对齐。比如“植被”到底是包含行道树还是只指块状绿地“建筑”是否包含简易棚这些细节不提前统一的话标注返工率极高。4.3 不均衡和细碎地物的评估补充语义分割的常规评估看 mIoU 和 Overall AccuracyOA但这两个指标对类别不平衡很迟钝。举个例子一张图里道路占 5%背景占 90%就算模型把所有道路像素全部预测错OA 也可能还有 90% 以上mIoU 也就是被道路类拉低了几个点而已。对道路这种线状目标更合适看的是 F1 分数和连通性指标比如是否出现断裂、是否有多余分叉。我在道路分割任务里会额外做一个形态学检查把预测结果细化成骨架统计断裂点数量和真实标签骨架做对比。这种方式比单看 mIoU 直观很多因为对道路来说“是否连通”比“像素是否完全重合”更反映使用价值。对尺度差异极大的目标我还会按像素数量分组统计 IoU小目标单独算一类大目标一类避免混合统计时小目标的贡献被淹没。5. 卫星视频跟踪低帧率下强基线如何改造5.1 卫星视频与常规跟踪的差异卫星视频目标跟踪和监控视频跟踪表面上看都是“目标跟踪”实际难度完全不同。监控视频通常 25 帧/秒以上目标连续、外观丰富遮挡是短暂事件。卫星视频帧率往往只有几秒到几十秒一帧目标只有几个像素且视频平台本身在轨道运动每帧的背景都不同不是简单平移而是视角变化。在这样的设定下我倾向于把问题拆成检测漏检率控制 帧间数据关联 目标重检测恢复。纯依赖初始模板的单目标跟踪算法Siamese 系列在卫星视频里很容易漂移因为模板外观信息太少稍微有云影或光照变化就失效。相比之下 tracking-by-detection检测驱动跟踪范式更稳因为检测器能持续提供目标候选跟踪器负责关联而不是凭空推测位置。5.2 卡尔曼滤波在低帧率下的适用边界热词里“卡尔曼滤波目标跟踪”出现很多次但在卫星视频里卡尔曼滤波并不像普通视频里那么万能。卡尔曼滤波的核心假设是目标运动近似线性且噪声服从高斯分布。普通监控视频帧间间隔短匀速假设基本成立所以 SORT、DeepSORT、ByteTrack 这些算法里的卡尔曼模块效果很好。但卫星视频帧间隔几秒到几十秒目标可能在两帧之间大幅变速、变向线性匀速模型预测的候选框和真实位置偏差很大数据关联很容易错配。我的改造思路是这样第一把卡尔曼滤波的状态维度降下来只用位置平滑而不做长时外推预测范围限制在一个较小的邻域内第二引入重检测机制每隔几帧跑一次全图检测器发现目标消失后不再等待滤波恢复而是用全局候选重新匹配第三如果目标是单目标用带IoU约束的模板匹配作为辅助多目标场景则把置信度门控和外观特征结合使用。实测下来这样的组合比直接套 SORT 在卫星视频上的 MOTA 有明显提升尤其是在目标短暂被云遮挡又重新出现的场景里。5.3 指标别只看MOTA多目标跟踪常用的 MOTA 在看卫星视频结果时要特别谨慎。MOTA 同时惩罚漏检、误检和 ID Switch而卫星视频里检测器的漏检率天然偏高——目标太小帧率又低任何一个环节崩掉 MOTA 都会非常难看。我更习惯的报告组合是 MOTA 之外同时看 IDF1 和 MT/ML大部分时间被跟踪/大部分时间丢失的目标比例。IDF1 反映目标身份保持能力MT/ML 能告诉你跟踪器到底是在稳定锁目标还是频繁丢失。如果项目目标是“尽量长时间锁定一个目标而不是频繁换 ID”IDF1 的重要性甚至高于 MOTA。单目标跟踪场景则用 CLE中心位置误差和成功率曲线比如 OPE 成功率同时记录“第一次丢失发生的帧号”。这个信息对工程判断很有价值——你至少知道跟踪器能稳定维持多久。6. 超分辨率数据对怎么造、指标怎么看、能否真的帮到检测6.1 降采样核决定了模型一半的天花板遥感超分模型最容易被低估的训练细节是降采样方式。很多初学直接用双三次插值把 HR 图缩小成 LR模型也能训练但一到真实卫星影像上就大幅退化。原因是真实影像的低分辨率成因不仅是几何下采样还包括传感器点扩散函数模糊、大气影响、压缩编码伪影等多个环节双三次只是理想化近似。一个更贴近实际的方案是对 HR 图先做高斯模糊再进行下采样模糊核尺寸和标准差根据传感器参数估计。条件允许的话用 Real-ESRGAN 里的降级策略——混合多种模糊核、引入噪声和 JPEG 伪影——可以进一步增加泛化性。数据制作流程上我会把三件事固定住统一 CRS 和像素分辨率、明确训练/验证划分避免同源泄漏、对每个 LR-HR 对做随机裁剪但保留配对关系。裁剪后数据总量够大时模型很少会过拟合到单张图。6.2 传统图像指标和任务指标的分歧PSNR 和 SSIM 用于超分评测已经几十年但遥感场景里我建议把它们当参考而不是决策依据。PSNR 对全局亮度误差敏感对纹理真实感不敏感SSIM 对局部结构有一定捕捉但对卫星图像中的微观纹理和边缘锐度仍然不敏感。LPIPS 更接近人类感知但也存在对压缩伪影过度敏感的局限。现在很多遥感超分论文已经采用“任务驱动”的方式在超分结果上直接做目标检测或分割用 mAP 的提升来衡量超分模型的增益。这个思路我很认可但要注意一个陷阱如果用合成 LR 做评测超分模型只要学会恢复“降采样算子”就能获得很高分数而真实影像的退化模式不同结论可能完全反转。所以我的评估流程是合成 LR 数据上做基础对比PSNR/SSIM/LPIPS真实历史影像局部区域做目视评估和下游检测精度对比两者都通过才认为超分模块可用。6.3 超分与检测联合使用的工程方式超分模型能提升检测精度吗答案是“看情况”。我在一些船舶检测数据集上测试4 倍超分后接检测器mAP 有时提升 1-2 个点有时持平甚至降低。降低的原因通常是超分模型凭空生成了虚假纹理比如把水面波纹放大成类似船体的结构检测器因此产生误检。如果想稳定获得增益有三种工程方式超分后微调检测器在超分输出上继续训练检测器若干轮让检测器适应全新分布检测感知训练在超分模型训练时加入检测损失让超分模块的优化目标直接对齐“有利于检测”的方向多输入融合原始分辨率和超分结果分别过检测器再把检测框融合让两类信息互相弥补。这三种方式里第三种最稳妥但推理开销翻倍第一种性价比最高实现也最简单。如果项目只是为了目视展示不进入自动分析流程超分可以独立部署不需要做任何联合优化。工程实现上大幅面影像超分必须切块预测切块之间同样要有 overlap并使用边缘淡入淡出加权融合否则拼接痕迹非常明显。单张 4 倍超分对显存的占用很高我通常限制单块在 512x512 或 1024x1024 以内再通过批量处理跑完整景。7. 论文笔记一套能坚持读下来的调研骨架7.1 我常用的笔记模板读论文最忌讳每篇都“从头看到尾”然后存一个 PDF 进文件夹再也不打开。我自己的习惯是每篇论文只记关键信息模板固定强迫自己用几句话说清楚这篇论文的价值。我的笔记模板包含这几个字段题名、会议/期刊、年份任务设定检测、分割、跟踪、超分还是多任务核心问题这篇要解决什么具体缺陷方法套路backbone、关键模块、loss 设计、训练技巧数据集与指标在哪些数据上做实验主要指标是多少和上一篇/同系列论文的关系它在哪条演进线路上我的复现建议有哪些细节容易踩坑、计算资源要求如何一句话评价这篇文章值不值得精读、适合用什么场景最后一条“一句话评价”是帮我做减法的关键没时间精读的论文只保留这一句就足够。7.2 从综述到具体论文的阅读路径做某个方向的调研时我一般不从零搜索论文而是先找一篇近两年内的高质量综述把综述引用的参考文献按照“作者名字方法名年份”拉一个列表标注每篇的贡献再按图索骥精读十几篇关键工作。阅读顺序上对检测方向我会从 Faster R-CNN 和 SSD 这条主线进入然后看旋转框方向的 Oriented R-CNN、S2ANet再看 YOLO-OBB 这些一体化工程实现。分割方向从 FCN、U-Net 到 DeepLabV3、SegFormer再延伸到 SAM 这类基础模型。跟踪方向先看 SORT/DeepSORT 理解数据关联框架再看 ByteTrack 和 BotSORT 怎么解决低置信度框问题之后去读实际卫星视频跟踪的文章。超分方向从 SRCNN、EDSR 到 ESRGAN、SwinIR再到 Real-ESRGAN 和基于扩散模型的新工作。每次调研结束我会把综述的关键论点用自己的话重新组织成一篇两页以内的 mini review而不是誊抄摘要。7.3 一篇示例笔记我拿旋转框检测的一篇经典论文做个示例展示笔记该怎么填写题名Oriented R-CNN for Object DetectionICCV 2021任务设定旋转框目标检测核心问题两阶段旋转框检测器依赖密集旋转 anchor 或复杂 RoI 变换计算量高且训练不稳定。方法套路设计 Oriented RPN直接在水平 anchor 基础上回归旋转框参数获得高质量的旋转候选区域后续直接通过旋转 RoI align 提取特征省去 RoI Transformer 之类的迭代修正。数据集与指标在 DOTA、HRSC2016 等基准上达到当时的 SOTA 水平推理速度比同类两阶段方法快。与同系列论文的关系它把旋转检测的两阶段范式简化了和后来基于 FCOS/YOLO 的单阶段旋转检测思路形成对比。复现建议注意力集中在 Oriented RPN 的标签分配和 loss 计算旋转框 IoU 计算建议使用 OpenCV 的 rotated rectangle intersection比纯 Python 实现快很多。一句话评价值得精读是最实用的旋转框两阶段基线之一。7.4 让笔记体系持续运转的小技巧我自己能坚持下来的原因是控制粒度每篇论文最多花 20 分钟读笔记精读论文才有资格花几小时。同时用 Zotero 管理 PDF 文献笔记单独存成 Markdown 文件按任务建目录。读新论文前先扫一眼目录很容易发现“这篇论文其实只是把某两篇旧工作接在一起”这类文章往往不值得花太多时间。跟下来几个星期笔记列表本身就会成为一幅领域知识地图——你能看到方法发展的分叉点、谁在推进主线谁只是微调参数。这比任何自动化的“AI 论文总结”都更能帮助你形成判断力。我在完整做完这几个方向的项目后最深的体会是遥感视觉里的模型选型远没有数据准备和评估设计复杂但项目成败往往就压在前者身上。我也在第一线做过很长时间的模型调优一开始把大量时间放在换模型、调参数上后来发现真正带来精度跃升的是更细致的切图配置、更严谨的数据泄露控制和更贴合业务目标的评估指标。如果你正打算进入这个方向建议先从数据和指标入手把基线做扎实再考虑上更复杂的算法结构。这样每一步的投入你都能看得见回报也更能理解论文里那些改进的真正价值。