Skip to content
Other

EscRq1/nisar-seg-vith

поиск изменений на радарных снимках NISAR

2 min readupdated

Исследовательская модель от EscRq1 для битемпорального анализа спутниковых радарных данных NISAR (сравнения снимков одной территории за два разных момента времени). Она принимает пару выровненных снимков в поляризациях HH и HV и строит попиксельную карту изменений обратного радарного рассеяния. В основе лежит сиамский энкодер ViT-H/14 (Vision Transformer с общими весами для обоих снимков, предварительно обученный методом MAE на данных NISAR) и свёрточная голова (CNN) для локализации отличий. В отличие от классификаторов земного покрова, модель лишь выделяет зоны, где сигнал изменился, но не определяет причину — будь то наводнение, вырубка леса или стройка. Пригодится специалистам по дистанционному зондированию Земли и исследователям геоданных.

Ключевые особенности

  • Сиамская архитектура: оба снимка (T0 и T1) проходят через один и тот же энкодер ViT-H/14 с патчами 14×14, что переводит признаки в единое пространство.
  • Тайловый инференс: большие сцены разбиваются на перекрывающиеся фрагменты 224×224 пикселя, а предсказания затем сшиваются в бесшовную карту.
  • Фокус на локализации: чекпоинт detector.safetensors содержит только детектор изменений (без классификатора типов поверхности и LLM-обвязки).
  • Гибкая постобработка: на выходе получаются непрерывная карта оценок изменений, бинарная маска по заданному порогу и визуальное наложение на исходный снимок.

Что можно сделать

  • Мониторинг территорий: отслеживать динамику влажности почвы, растительности, водных поверхностей и застройки по парам снимков NISAR Level-2 GCOV.
  • Первичный отбор сцен: автоматически находить участки с аномальными сдвигами сигнала для дальнейшей ручной проверки экспертами или анализа разности T1 − T0.

Пример

Вход: два выровненных по сетке радарных снимка NISAR (T0 — более ранний, T1 — более поздний) с каналами поляризации HH и HV.
Выход: непрерывная карта оценок изменений (Change score map), бинарная маска (Thresholded change mask) при превышении выбранного порога и наложение зон изменений поверх снимка T0 (Change overlay).

ПодробнееОбучение: 2 этапа — self-supervised адаптация ViT-H через MAE на снимках NISAR и обучение детектора на автоматически сгенерированных целях.
Ограничения: оценки модели не являются калиброванными вероятностями; смещение сетки, спекл-шум и условия съёмки могут давать ложные срабатывания.
Метрики: независимая оценка точности на вручную проверенных сценах пока не проводилась.
Discuss Telegram 0

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 2.4 GB · ready files3.1 GB
  • FP8 / INT8recommendedweights 1.2 GB1.8 GB
  • 4-bitweights 0.7 GB1.2 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # EscRq1/nisar-seg-vith
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download EscRq1/nisar-seg-vith --local-dir ~/models/nisar-seg-vith
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to nisar-seg-vith
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of nisar-seg-vith (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

EscRq1/nisar-seg-vith
Author
EscRq1
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments