DECISION 01
模型研发首先缺算法结构，还是缺稳定数据？
先建立可持续的样本体系
先制定标注与质检规范，梳理样本生产全链路并建设训练样本。
为什么这样判断
变化检测依赖多时相配准和一致标注，没有稳定样本就无法持续比较模型迭代。
带来的结果
形成 50k 级样本资产，为训练和评测提供基础。
返回项目总览
项目档案
基于 Transformer 的遥感变化检测
我的角色AI 算法工程师材料记录
30 秒项目结论
围绕多时相卫星影像变化检测，完成样本体系、模型优化以及接口联调和容器化部署，形成从数据到业务系统的完整工程链路。
要解决的问题
人工目视解译难以满足大批量、高频次遥感监测，需要稳定样本和可工程化的自动变化检测能力。
直接用户
- 遥感业务团队
- 算法研发团队
- 工程交付团队
01 / KEY DECISIONS
产品价值，
藏在取舍里。
这里不复述功能列表，而是记录当时面对什么问题、选择了什么，以及为什么没有选择看起来更完整的方案。
DECISION 02
如何提升小目标识别和输出图斑完整性？
围绕业务影像优化模型
基于 Transformer 构建模型，并结合多尺度训练、Focal Loss 和形态学处理优化。
为什么这样判断
模型训练与后处理需要共同适配自有卫星影像尺度和最终图斑使用要求。
带来的结果
项目材料记录的 F1 为 86%，较基线提升 32%。
DECISION 03
如何避免模型只停留在离线实验？
把模型能力交付到业务系统
协同工程团队完成算法接口、联调测试和容器化部署。
为什么这样判断
只有明确输入输出、运行依赖和异常边界，算法结果才能被上层业务稳定调用。
带来的结果
完成从模型研发到系统集成的工程交付。
Model delivery pipeline
遥感变化检测从样本到工程交付
算法工作不止于训练模型：先稳定样本生产和质检，再围绕业务影像完成训练与评测，最后通过接口联调和容器化完成系统集成交付。
样本生产
制定标注与质检规范，建立可重复的数据生产流程。
输入：多时相影像模型训练
基于 Transformer 建模，并针对自有卫星影像训练。
输出：候选模型评测优化
围绕小目标识别和图斑完整性验证并迭代方案。
依据：固定指标口径API 与联调
定义算法输入输出接口，和工程团队完成联调测试。
验证：系统可调用容器化部署
封装运行环境并完成容器化交付，为系统集成提供可复用的运行单元。
结果：系统集成交付
02 / RESULTS & STATUS
数字之外，
先说清证据边界。
每项结果同时展示适用范围、成熟度和来源说明。离线评测、小范围上线与材料记录不会被包装成同一种成果。
样本体系规模材料记录
50k 级- 范围 / 分母
- 遥感变化检测项目样本建设范围
- 来源说明
- 来自简历项目材料，尚未在本网站复核原始样本清单。
模型 F1材料记录
86%- 范围 / 分母
- 项目自有卫星影像评测口径
- 来源说明
- 来自简历项目材料，尚未复核评测集版本和原始日志。
相对基线提升材料记录
32%- 范围 / 分母
- 项目材料中的同口径基线对比
- 来源说明
- 来自简历项目材料，基线定义和计算过程待补充原始证据。
工程交付范围材料记录
接口、联调与容器化部署- 范围 / 分母
- 遥感变化检测模型的业务系统集成范围
- 来源说明
- 来自简历项目经历，未在公开页面披露内部系统材料。
边界与下一步验证
BOUNDARIES
这不是一个“全都做完了”的故事。
明确边界
- 模型指标基于项目自有影像与当时评测口径，不外推到其他数据分布。
- 公开页面不披露内部影像、标注样本或业务系统截图。
- 项目角色是算法工程师，产品能力证据主要来自技术边界和工程协作经验。
下一步验证
补充可公开的评测集定义、误差切片和部署运行指标，使项目证据更易复核。
OPEN TO OPPORTUNITIES
如果您感兴趣，
我们可以从一次对话开始
邮箱：
guoq_667@163.com
公开主页仅保留邮箱。完整简历可在建立联系后提供。