ترجمه فارسی مقاله مدل‌های بنیادی هوش مصنوعی در سنجش از دور: یک بررسی

چکیده

Artificial Intelligence (AI) technologies have profoundly transformed the field of remote sensing, revolutionizing data collection, processing, and analysis. Traditionally reliant on manual interpretation and task-specific models, remote sensing has been significantly enhanced by the advent of foundation models–large-scale, pre-trained AI models capable of performing a wide array of tasks with unprecedented accuracy and efficiency. This paper provides a comprehensive survey of foundation models in the remote sensing domain, covering models released between June 2021 and June 2024. We categorize these models based on their applications in computer vision and domain-specific tasks, offering insights into their architectures, pre-training datasets, and methodologies. Through detailed performance comparisons, we highlight emerging trends and the significant advancements achieved by these foundation models. Additionally, we discuss the technical challenges, practical implications, and future research directions, addressing the need for high-quality data, computational resources, and improved model generalization. Our research also finds that pre-training methods, particularly self-supervised learning techniques like contrastive learning and masked autoencoders, significantly enhance the performance and robustness of foundation models in remote sensing tasks such as scene classification, object detection, and other applications. This survey aims to serve as a resource for researchers and practitioners by providing a panorama of advances and promising pathways for continued development and application of foundation models in remote sensing.

چکیده به فارسی (ترجمه ماشینی)

فن آوری های هوش مصنوعی (AI) به طور عمیقی زمینه سنجش از دور ، انقلابی در جمع آوری داده ها ، پردازش و تجزیه و تحلیل را تغییر داده اند.به طور سنتی متکی به تفسیر دستی و مدلهای خاص وظیفه ، سنجش از دور با ظهور مدلهای بنیادی به طور قابل توجهی افزایش یافته است-مدل های هوش مصنوعی در مقیاس بزرگ و از پیش آموزش دیده قادر به انجام طیف گسترده ای از کارها با دقت و کارآیی بی سابقه ای هستند.در این مقاله یک بررسی جامع از مدل های بنیاد در حوزه سنجش از راه دور ارائه شده است ، و مدل های منتشر شده بین ژوئن 2021 و ژوئن 2024 را پوشش می دهد. ما این مدل ها را بر اساس کاربردهای آنها در دید رایانه و کارهای خاص دامنه طبقه بندی می کنیم و بینش هایی در مورد معماری خود ارائه می دهیم ، پیشمجموعه داده های آموزش و روش ها.از طریق مقایسه عملکرد دقیق ، ما روندهای نوظهور و پیشرفت های قابل توجهی را که توسط این مدل های بنیاد حاصل می شود ، برجسته می کنیم.علاوه بر این ، ما در مورد چالش های فنی ، پیامدهای عملی و مسیرهای تحقیق آینده ، برطرف کردن نیاز به داده های با کیفیت بالا ، منابع محاسباتی و بهبود کلی مدل بحث می کنیم.تحقیقات ما همچنین نشان می دهد که روشهای قبل از آموزش ، به ویژه تکنیک های یادگیری خودکارد مانند یادگیری متضاد و خودروسازان نقاب دار ، عملکرد و استحکام مدلهای پایه را در کارهای سنجش از دور مانند طبقه بندی صحنه ، تشخیص شی و سایر برنامه ها افزایش می دهد.این نظرسنجی با هدف تهیه یک پانورامای پیشرفت و مسیرهای امیدوارکننده برای ادامه توسعه و استفاده از مدلهای بنیاد در سنجش از دور ، به عنوان منبعی برای محققان و پزشکان خدمت می کند.