LIANet / LIANet-MR
нейросеть для спутниковых снимков Sentinel-2
2 min readupdated
Набор предобученных и дообученных чекпоинтов модели LIANet-MR от исследователя MojganMadadikhaljan (развитие работы Location Is All You Need с воркшопа CVPR 2026). Модель строит непрерывные пространственно-временные нейронные представления (INR — представление данных в виде непрерывной функции координат и времени) для 12-канальных спутниковых снимков Sentinel-2. В мультирегиональной версии у каждого географического региона свои многоуровневые хеш-таблицы, но общий CNN-декодер, благодаря чему классификатор, обученный на разметке одних регионов, можно применять к другим регионам этой же модели.
Ключевые особенности
- Мультирегиональная архитектура: раздельные хеш-таблицы для регионов (13 уровней, размер таблицы 219, размерность признаков 128) с общим свёрточным декодером.
- Работа со временем и пространством: использует обучаемое кодирование времени Фурье и реконструирует патчи 128×128 пикселей (разрешение 10 м) по координатам и дате в днях с 1 января 2015 года.
- Готовые предобученные веса: включены модели для задач детекции гарей (BurnScars) и сегментации сельхозкультур (PASTIS) — как однорегиональные, так и совместные или последовательные.
- Бейзлайны для сравнения: в репозитории лежат не только головы LIANet, но и полные веса сравнительных моделей UNet и Micro-UNet.
Что можно сделать
- Реконструировать спутниковые снимки: восстанавливать 12-канальные патчи Sentinel-2 для заданного региона, координат и конкретной даты.
- Переносить разметку между регионами: дообучать лёгкую задачу-голову (task head) на размеченных тайлах одного региона и применять её к другим регионам из той же мультирегиональной модели.
- Воспроизвести эксперименты по Earth Observation: сравнить непрерывные представления LIANet-MR с классическими UNet и Micro-UNet на датасетах BurnScars и PASTIS.
Пример
from models.downstream import load_pretrained_lianet
model, config = load_pretrained_lianet("released/pretraining/burnscars_joint_2regions")
# реконструкция патча 128 x 128 региона 0 в пикселе (x, y) на дату (дней с 2015-01-01)
recon = model(days, x, y, region_idx=0)
Подробнее
Формат весов:model.safetensors (предобучение и бейзлайны) и head.safetensors (замороженная база + обученная голова).Обучение: от 300 до 854 эпох в зависимости от конфигурации (например, 854 эпохи для
pastis_joint_4regions и 800 для burnscars_joint_2regions).Классы PASTIS: мультирегиональные головы предсказывают 20 классов (в коде версии
v5.0.0 используется 19 классов с игнорированием класса void).Лицензия весов и кода: MIT (данные распространяются под собственными лицензиями).










Comments