GeoSANE：从模型而非数据学习地理空间表示
计算机视觉与模式识别
2026-03-25 v1
摘要
近期遥感领域的进展导致可用基础模型数量不断增加；这些模型分别在不同模态、数据集和目标上训练，仅捕获广阔地理空间知识版图的部分内容。虽然这些模型在各自领域内表现出色，但其能力仍是互补而非统一的。因此，本文不再选择单一模型，而是旨在将其优势整合到单个共享表示中。我们引入GeoSANE，这是一个从现有基础模型和任务特定模型的权重中学习统一神经表示的地理空间模型库，能够按需生成新的神经网络权重。给定目标架构，GeoSANE生成可用于分类、分割和检测任务的即插即用权重，支持多种模态。GeoSANE生成的模型在实验中一致优于从头训练的模型，匹配或超越最新的遥感基础模型，同时在生成轻量级网络时优于剪枝或知识蒸馏所获得的模型。跨十个多样化数据集和GEO-Bench上的评估确认其强大的泛化能力。通过从预训练转向权重生成，GeoSANE引入了统一和传输地理空间知识的新框架。代码可在hsg-aiml.github.io/GeoSANE/获取。
引用
@article{arxiv.2603.23408,
title = {GeoSANE: Learning Geospatial Representations from Models, Not Data},
author = {Joelle Hanna and Damian Falk and Stella X. Yu and Damian Borth},
journal= {arXiv preprint arXiv:2603.23408},
year = {2026}
}