Peter M. Atkinson

利用模拟数据学习原型-原型-超球面对齐以实现无监督域自适应SAR目标识别

一种用于少样本遥感场景分类的半监督自组织原型树方法

基于熵图的随机域模型用于分类地理空间数据预测

利用Very-Fine-Resolution卫星影像进行人群检测

自组织可解释的多视图表示学习用于遥感场景分类

基于KH-9 PCS图像的历史长期超精细尺度城市景观变化分析

使用机器学习和深度学习从多源数据估算2015 2020过程中的时空连续GEDI地上生物量密度

加纳阿克拉两个非正式定居点5岁以下儿童腹泻：前期降雨和洪水的影响

冰缘条件、气候和均衡调整控制着河流下切和阶地发育；以英格兰西北部的River Lune河为例

北半球中高纬度森林、灌丛和草原春季物候的长期趋势和气候敏感性比较分析

呼吁全球共享中国的地球观测数据，并要求整合与协作。

利用Sentinel-1和Sentinel-2影像及机器学习方法将热带干旱米奥博 woodland 划分为功能森林类别

使用视觉基础模型检测VHR遥感图像中的周期性语义变化

Ghamisi, P., Yu, W., Marinoni, A., Gevaert, C.M., Persello, C., Selvakumaran, S., Girotto, M., Horton, B.P., Rufin, P., Hostert, P., Pacifici, F., Atkinson, P.M., 2025. 负责任的地球观测人工智能：实现集体利益的可实现且现实的路径。IEEE 地球科学与遥感杂志 ，2–2610.1109/MGRS.2025.3529726.

缓解类别不平衡并增强半监督深度学习中的未标记数据提取，用于火星地形分割