报告题目：遥感智能解译基础模型

对地观测已进入大数据时代，随着数据规模的增大和数据结构越来越复杂，依靠人工专家判读模式已成为瓶颈。遥感智能解译如果针对不同载荷/目标单独设计模型，会导致模型数量和种类不断增加，存在算力资源浪费、投入成本大、泛化能力弱的问题。因此，迫切需要寻找更加通用的解决途径。根据机器学习的经验公式，随着数据参数量、网络结构复杂度和训练样本的增加，模型的准确率和泛化能力会有明显提升。利用遥感大数据的大规模参数实现具有基础功能的预训练模型，可以实现泛化能力提升和计算资源集中利用。
因此，报告指出基础模型结合下游任务已成为解决上述问题的技术趋势。针对基础模型用于遥感面临的问题挑战，系统阐述了如何设计结合成像物理模型的网络结构，提升模型泛化性；如何将解译任务、专家知识嵌入下游任务持续学习，解决判读精度；以及如何精准高效构建高质量样本数据集等三个方面的技术进展。
介绍了空天院建设灵眸遥感智能解译基础模型取得的突破，介绍了基础模型随着参数量的增加，模型准确率和泛化能力实现突破的情况。并讲述了基础模型结合下游专业任务的典型应用，以及在国防、海洋、国土、数字城市等在军民多个领域的应用效益。
最后指出遥感解译基础模型的发展思路，持续深入探索专业模型发展和开放共享生态建设等展望。