武汉大学与蚂蚁集团联合推出了新一代语义增强遥感大模型SkySense++，该模型在复杂动态地球观测场景中表现出色，有效解决了多模态遥感影像融合、下游任务数据依赖和语义信息挖掘不足等难题。SkySense++基于2700万组多模态遥感影像，采用两阶段渐进式学习预训练，大幅降低了对微调流程和标注数据的需求，提升了实用性和泛化能力。在农业、林业、灾害管理等7个领域的12项地球观测任务中，SkySense++均取得了优异的性能，在分类、检测和分割任务上显著优于现有模型，并新增了免微调部署能力，为遥感应用带来了革新。

🛰️ **SkySense++ 填补遥感大模型应用空白**：针对当前遥感大模型在复杂动态地球观测场景中面临的多模态数据融合不佳、下游任务微调依赖大量数据以及语义信息挖掘不足等挑战，武汉大学与蚂蚁集团联合研发了新一代语义增强遥感大模型SkySense++，旨在提升其在实际应用中的性能和便捷性。

📈 **创新预训练方法与数据驱动**：SkySense++基于来自11个卫星载荷的2700万组多模态遥感影像，采用了创新的两阶段渐进式学习完成预训练。这一方法有效缓解了对复杂微调流程和大量标注数据的依赖，极大地提升了模型的实用性和泛化能力，使其能够更好地适应多样化的地球观测需求。

🚀 **多领域任务表现卓越**：研究团队在农业、林业、灾害管理等7个领域的12种典型地球观测任务中对SkySense++进行了全面评估。实验结果表明，SkySense++在所有测试任务中均表现出色，性能超越其他模型。相较于同期最先进方法，在全量微调分类与检测任务上平均精度提升4.79%，在少样本提示分割任务上平均交并比提升14.08%。

💡 **新增免微调部署与持续优化**：相较于其前序版本SkySense，SkySense++在农业生产评估、灾害应急响应、国土资源监测等任务中展现出更优异、稳定的性能。特别值得一提的是，SkySense++新增了免微调部署能力，进一步降低了应用门槛，使其能够更快速、更广泛地应用于实际的地球观测场景中。

快科技8月9日消息，近日，武汉大学与蚂蚁集团联合发布了新一代语义增强遥感大模型SkySense++，堪称12边型战士。

其相关研究成果在国际知名学术期刊《自然·机器智能》上在线发表。

当前，遥感基础大模型在复杂动态地球观测场景应用中面临挑战，如多模态遥感影像数据融合性能欠佳、下游任务微调依赖大量数据、对遥感语义信息挖掘不足等。

为攻克这些难题，研究团队基于前期多模态遥感大模型SkySense，研发出SkySense++。

SkySense++基于来自11个卫星载荷的2700万组多模态遥感影像，采用两阶段渐进式学习完成预训练。有效缓解了大模型对复杂微调流程和大量标注数据的依赖，极大提升了实用性与泛化性。

研究团队在农业、林业、灾害管理等7个领域的12种典型地球观测任务中，对SkySense++进行全面评估。

实验结果显示，SkySense++ 在这12项任务中均表现卓越，性能优于其他模型。与同期最先进方法相比，在全量微调分类与检测任务上，平均精度提升4.79%；在少样本提示分割任务上，平均交并比提升14.08%。

SkySense++的前序版本SkySense，曾在国际计算机视觉领域顶会CVPR发表，并在2024年世界人工智能大会发布。

而此次SkySense++在农业生产评估、灾害应急响应、国土资源监测等任务中，性能更为优异、稳定，还新增免微调部署能力。