Earth Surface Immune System for Rapid Monitoring of Unknown Anomalies
作者: Jingtao Li, Qian Zhu, Xinyu Wang, Deren Li, Liangpei Zhang, Yanfei Zhong
分类: cs.CV
发布日期: 2026-09-17
备注: 51 pages
💡 一句话要点
提出地球表面免疫系统以快速监测未知异常问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 地球表面监测 异常检测 生物启发 多模态融合 实时响应 环境监测 卫星影像 开放词汇识别
📋 核心要点
- 现有方法多集中于特定异常类别，缺乏对未知异常的全面监测与识别能力。
- 提出的地球表面免疫系统（ESIA）结合生物免疫系统原理，采用多阶段处理流程，能够快速识别和定位未知异常。
- ESIA在19,801.60 km²的全球数据集上验证，识别F1超过80%，定位速度达到14.51 km²/s，显著优于现有基线。
📝 摘要（中文）
随着气候变化加剧和人类活动扩展，地球表面异常现象的频率和多样性不断增加。然而，现有方法往往局限于特定异常类别或仅停留在定位阶段，缺乏从检测到可操作信息的有效转化。本文提出了地球表面免疫系统（ESIA），其架构受生物免疫系统的三大原则约束，能够快速处理未知异常。ESIA通过非特异性先天免疫阶段生成二元定位图，并在特定适应性免疫阶段利用负选择过滤文本提示，实现开放词汇的异常属性识别。实验结果表明，ESIA在全球范围内的应用表现出色，能够为实时灾害响应和环境监测开辟新途径。
🔬 方法详解
问题定义：本文旨在解决地球表面异常现象的快速监测问题，现有方法在处理未知异常时存在局限性，无法有效转化检测结果为可操作信息。
核心思路：论文提出的ESIA系统借鉴生物免疫系统的机制，分为先天免疫和适应性免疫两个阶段，以处理多样且不确定的异常现象。
技术框架：ESIA的整体架构包括两个主要阶段：先天免疫阶段通过时间序列卫星影像生成二元定位图，适应性免疫阶段则通过负选择过滤文本提示并与图像片段匹配，形成开放词汇的异常属性识别。
关键创新：ESIA的创新在于其非特异性处理能力和开放词汇识别，能够在没有预设异常类别的情况下，快速适应不同场景并识别未知异常。
关键设计：在技术细节上，ESIA采用了多模态基础模型进行匹配，利用最小嵌入调节机制在测试时快速适应场景，识别时间仅需3.26秒。实验中还对参数设置和损失函数进行了优化，以提升识别和定位性能。
🖼️ 关键图片
📊 实验亮点
ESIA在全球范围内的验证结果显示，其识别F1超过80%，定位速度达到14.51 km²/s，相较于最强基线提升了37%。此外，该系统在实际应用中成功量化了Dnipro Delta的退化农田和洛杉矶2025年Palisades火灾的烧毁严重程度，展现出卓越的灵活性。
🎯 应用场景
该研究的潜在应用领域包括实时灾害响应、环境监测和农业管理等。ESIA能够快速识别和评估自然灾害及人类活动造成的环境变化，为决策者提供及时的信息支持，具有重要的实际价值和社会影响。
📄 摘要（原文）
Earth surface anomalies, driven by escalating climate change, and expanding human activities, are increasing in both frequency and diversity, yet their limited historical data and unpredictability make them fundamentally different from conventional remote sensing targets. Existing methods address specific anomaly categories or stop at localization, leaving a gap between detection and actionable information. Here we present ESIA, an Earth Surface Immune System whose architecture is constrained by three principles from the biological immune system, refined over millions of years against equally diverse and uncertain threats. A non-specific innate immune stage treats anomalies as unobserved changes in time-series satellite imagery, generating binary localization maps at 14.51 km2/s without assuming any anomaly category, surpassing the strongest general baseline by 37% in F1. A specific adaptive immune stage applies negative selection to filter text prompts and matches surviving prompts with localized image patches through a multi-modal foundation model, enabling open-vocabulary recognition of unknown anomaly attributes including category, affected area, and damage severity, with recognition F1 exceeding 80%. A mutation mechanism tunes minimal embeddings at test time, adapting to each scene in 3.26s using a single reference image pair. We validate ESIA on a global-scale dataset covering 19,801.60 km2 across six anomaly categories, comparing against 22 models, and further apply it to quantify degraded farmland in the Dnipro Delta following the Kakhovka Dam collapse and assess burn severity from 2025 Palisades Fire in Los Angeles. This unprecedented flexibility in handling unknown anomalies opens new avenues for real-time disaster response and environmental surveillance.