2024-06-12，在遥感图像领域，由武汉大学等机构联合创建的STAR数据集，标志着场景图生成技术在大规模、高分辨率卫星图像中的新突破。
场景图生成(Scene Graph Generation, SGG)技术在自然图像中已取得显著进展，但在高分辨率的卫星图像(Satellite Imagery, SAI)领域仍面临巨大挑战。卫星图像的多尺度对象、复杂的场景关系以及丰富的背景信息，要求算法不仅要有强大的感知能力，还需具备深层次的认知解析能力。
1、大尺寸、高分辨率的SAI场景中，对象尺寸和长宽比的巨大变化增加了检测难度。
4、现有的场景图生成模型大多针对小尺寸自然图像设计，难以直接应用于SAI。
STAR数据集是首个大规模、高分辨率SAI场景图生成数据集，覆盖超过21万个对象和40万个关系三元组。
收集了来自全球的高分辨率SAI九游体育股份有限公司图像，图像大小从512×768到27,860×31,096像素不等。
覆盖了包括机场、港口、核电站和大坝在内的11种与人类活动密切相关的复杂地理空间场景。
引入了上下文感知级联认知(CAC)框架，显著提高了在STAR数据集上的性能。
我需要经常需要四处搜集证据，分析线索，来确定工业园区的污染源。这可不容易，我得用那些分辨率不高的卫星图像，瞪大眼睛找啊找，看哪里的烟囱在冒烟，哪里的河流颜色不对劲。有时候，我还要亲自下现场，取水样，这不仅耗时耗力，而且效率还九游体育股份有限公司不高。
比如说，我观察到一个工业园区，那里有很多化工厂。我把一张工业园区的卫星图像输入到智能系统中，系统很快就识别出了所有的烟囱和排放口。然后，系统通过分析这些烟囱和周围环境的关系，比如风向、周围植被的健康状况，甚至是附近河流的流向，推断出了可能的污染排放路径。
“哇，你看这里！”我指着屏幕上的图像对同事说，“这个烟囱排放的烟雾，随风飘向了东北方向，那边正好有一片居民区。” 智能系统还识别出了烟雾中的污染物类型，给出了污染指数的预测。
再比如，我发现系统标注出了几个异常的排放事件，这些事件在以前的低分辨率图像中是看不到的。但现在我可以及时向环保部门报告，采取预防措施。
而且，这个智能系统还能学习。随着我不断输入新的数据，它变得越来越聪明，识别得越来越准确。现在也不用等上一个星期才拿到实验室的分析报告。我只需要点点鼠标，系统就能给我提供实时的、准确的污染监测结果。让我的工作变的高效起来。可以准时下班了。