Any Model, Any Place, Any Time: Get Remote Sensing Foundation Model Embeddings On Demand

📄 arXiv: 2602.23678v1 📥 PDF

作者: Dingqi Ye, Daniel Kiv, Wei Hu, Jimeng Shi, Shaowen Wang

分类: cs.CV, cs.LG

发布日期: 2026-02-27

🔗 代码/项目: GITHUB

💡 一句话要点

rs-embed：遥感基础模型嵌入按需获取，解决异构性难题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 遥感 基础模型 嵌入 统一接口 Python库

📋 核心要点

  1. 遥感基础模型异构性大，模型格式、平台和数据规范不一致，导致使用成本高昂。
  2. rs-embed提供统一的ROI接口，一行代码即可获取任意模型、地点和时间的嵌入。
  3. rs-embed支持高效批量处理，方便大规模嵌入生成和评估，加速模型应用。

📝 摘要（中文）

遥感领域的基础模型正快速发展，它们为各种下游任务提供了强大的嵌入表示。然而，由于模型发布格式、平台接口和输入数据规范的巨大差异，实际应用和公平比较仍然面临挑战。这些不一致性显著增加了跨模型获取、使用和评估嵌入的成本。为了解决这个问题，我们提出了rs-embed，一个Python库，它提供了一个统一的、以感兴趣区域（ROI）为中心的接口：用户只需一行代码，就可以从任何支持的模型中检索任何位置和任何时间范围的嵌入。该库还提供高效的批量处理，以实现大规模的嵌入生成和评估。代码可在https://github.com/cybergis/rs-embed 获取。

🔬 方法详解

问题定义：遥感领域涌现了大量的基础模型，但这些模型在发布格式、平台接口和输入数据规范上存在显著差异，导致用户难以高效地获取、使用和比较不同模型的嵌入表示。现有方法缺乏统一的接口，使得针对特定区域和时间段获取嵌入的过程繁琐且耗时。

核心思路：rs-embed的核心思路是提供一个统一的、以感兴趣区域（ROI）为中心的接口，屏蔽底层模型的异构性。用户只需指定ROI和时间范围，即可通过统一的API获取对应区域的嵌入表示，无需关心底层模型的具体实现细节。

技术框架：rs-embed是一个Python库，其核心流程如下：1. 用户通过统一的API指定ROI和时间范围；2. rs-embed根据用户请求，自动选择合适的遥感基础模型；3. rs-embed将ROI数据输入到选定的模型中，获取嵌入表示；4. rs-embed将嵌入表示返回给用户。该库还支持批量处理，可以高效地处理大规模的ROI数据。

关键创新：rs-embed最重要的创新在于提供了一个统一的接口，使得用户可以方便地访问各种遥感基础模型，而无需关心底层模型的异构性。这大大降低了用户的使用成本，并促进了遥感基础模型的应用。与现有方法相比，rs-embed更加灵活、高效和易于使用。

关键设计：rs-embed的关键设计包括：1. 统一的API接口，支持各种ROI和时间范围的指定；2. 自动模型选择机制，根据用户请求选择合适的遥感基础模型；3. 高效的批量处理机制，支持大规模的ROI数据处理；4. 可扩展的架构，方便集成新的遥感基础模型。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

rs-embed通过统一的ROI接口，简化了遥感基础模型的使用流程，用户只需一行代码即可获取指定区域和时间的嵌入表示。该库还支持高效的批量处理，可以快速生成大规模的嵌入数据，方便用户进行模型评估和应用。

🎯 应用场景

rs-embed可广泛应用于遥感图像分析、土地利用分类、灾害监测、环境评估等领域。通过简化遥感基础模型的使用流程，降低应用门槛，加速遥感技术在各行业的落地。未来，rs-embed有望成为遥感领域的重要基础设施，促进遥感数据的智能化应用。

📄 摘要（原文）

The remote sensing community is witnessing a rapid growth of foundation models, which provide powerful embeddings for a wide range of downstream tasks. However, practical adoption and fair comparison remain challenging due to substantial heterogeneity in model release formats, platforms and interfaces, and input data specifications. These inconsistencies significantly increase the cost of obtaining, using, and benchmarking embeddings across models. To address this issue, we propose rs-embed, a Python library that offers a unified, region of interst (ROI) centric interface: with a single line of code, users can retrieve embeddings from any supported model for any location and any time range. The library also provides efficient batch processing to enable large-scale embedding generation and evaluation. The code is available at: https://github.com/cybergis/rs-embed