我们提出了一种无监督域适应(UDA)方法，使在标记源卫星图像上训练的模型可以推广到未标记的目标卫星图像。具体而言，我们提出了一种细粒度特征对齐(FGFA)域适应策略，鼓励云检测网络提取域不变表示，这提高了云检测在未标记目标卫星图像中的准确性。该策略由两个步骤组成:1)基于注意引导机制的细粒度类相关特征选择和2)基于分组类相关特征对齐方法的类相关特征对齐(FA)。.........

将非本地操作(Non-local Operation)作为一种高效、简单和通用的组件，用于使用深度神经网络捕获远程依赖关系。

本综述旨在提供计算机视觉学科中transformer模型的全面概述。

在本文中，我们提出了自我注意生成对抗网络(Self-Attention Generative Adversarial Network, SAGAN)，该网络允许对图像生成任务进行注意力驱动的长期依赖建模。在SAGAN中，可以使用所有特征位置的线索来生成细节。此外，该鉴别器还可以检查图像远处部分的高细节特征是否一致。我们将光谱归一化应用于GAN生成器，并发现这改善了训练动力学。提出的SAGAN比之前

我们引入了一种新的模型，将结构化域自适应应用于合成图像的生成和道路分割。我们将特征金字塔(FP)网络引入生成式对抗网络，以最小化源域和目标域之间的差异。一个发生器被学习产生高质量的合成图像，而鉴别器试图区分它们。我们还提出了一个FPnetwork，通过从网络的所有层中提取有效的特征来描述不同尺度的对象，从而提高了所提模型的性能。

本文提出了一种新的半监督云检测算法，通过训练自注意力生成对抗网络（SAGAN）来提取云图像和无云图像之间的特征差异。我们的主要想法是将视觉注意力引入到生成“真实”无云图像的过程中。SAGAN的训练基于三个指导原则：扩展云区域的注意力地图，用翻译后的无云图像替换；减少注意力地图，使其与云边界重合；优化自注意力网络，以处理极端情况。...

提出了一种深度生成先验（DGP）方法，能够在保持生成先验的同时很好地重建，当在任务相关的观测空间中重构被破坏的图像时，DGP倾向于恢复缺失的信息，同时保持已有的语义信息不变。

提出了循环一致对抗域适应算法(CyCADA)，该算法在像素级和特征级对表示进行适应，同时通过像素循环一致性和语义损失实现局部和全局结构一致性。CyCADA整合了之前的特征级别和图像级别对抗域自适应方法和循环一致的图像到图像翻译技术.

我们在迄今为止最大的RS场景识别数据集MillionAID的帮助下，从无开始训练不同的网络，以获得一系列RS预训练的骨干，包括卷积神经网络(CNN)和视觉转换器，如Swin和ViTAE，它们在计算机视觉任务中表现出了良好的性能。然后，我们研究了RSP对代表性下游任务的影响，包括场景识别、语义分割、目标检测和变化检测，使用这些CNN和视觉Transformer主干。......

域自适应语义分割的目的是在监督源域数据的情况下学习模型，并在未标记的目标域上产生令人满意的密集预测。为解决上述问题，我们建议直接探索目标域数据的内在像素分布，而不是过度依赖源域。具体来说，我们同时对像素进行聚类，并使用获得的聚类分配对标签进行整流。这个过程以在线的方式完成，因此伪标签可以与分割模型共同进化，而不需要额外的训练。为了克服长尾类的类不平衡问题，我们采用一种分布对齐技术，使簇分配的边缘类