基于域内表示学习的遥感数据处理
本研究提出了一种新颖的域自适应范式,利用遥感卫星数据来研究对比自监督表示学习和知识转移。通过在源数据集上进行自监督对比学习的预训练,并以循环交替的方式在目标数据集上进行下游任务,该方法实现了自监督知识转移,达到了最先进的性能和可解释的表示学习。
Apr, 2023
本研究设计了一种新的自监督学习框架,可以从未标记数据的光谱 - 空间信息中学习表示,并通过两个典型的下游任务评估证明,所提出的 SSL 获得了模型性能的显著提高。
Jun, 2023
本文介绍了 SEN12MS 数据集的分类转换及使用该数据集对不同模型和数据类型进行测试后,证明多光谱和多传感器数据融合对遥感图像分类的好处。
Apr, 2021
本文提出了一种代表性 - 区分性开放集识别 (RDOSR) 框架,通过从原始图像空间到嵌入特征空间的映射,以及进一步转换到所谓的丰度空间,增强了数据的代表性和区分性能力,解决卫星影像地表覆盖分类的开放集识别问题,并在多个卫星基准测试上证明了该方法的有效性。
Jul, 2020
利用自我监督学习从大规模、无标签数据集中学习表示已被证明对于理解各种远程感知图像非常有效。本研究提出了一种增强型自我监督表示学习方法,通过简单而高效的预训练流程,解决了对比学习中的假阳性匹配问题以及重构学习中缺失上下文信息的问题,并通过语义一致性约束提供上下文信息。实验证明该方法在土地覆盖分类、语义分割、目标检测和实例分割等多个下游任务上优于全监督学习模型和目前最先进的自我监督学习方法,表明该方法能够学习出具有高泛化性和可迁移性的远程感知表示。
Sep, 2023
本文提出了一种新的自监督训练方法,利用来自多个传感器的共同数据来学习每种可能的组合的有用表示,该方法在遥感分类任务中优于全监督 ImageNet 权重,并随着越来越多的传感器融合而改善。
Aug, 2021
我们提出了一种针对遥感数据的高效半监督学习方法,通过适应 FixMatch 框架以及消除训练数据中的偏差,使用已标记数据的 30% 在遥感数据集上相较于基准监督学习方法提供了 7.1% 的准确度提升,以及相较于监督学习的最新方法 CDS 提供了 2.1% 的准确度提升。
Dec, 2023
该研究旨在通过利用高维光谱波段重新构建可见颜色,从卫星图像中学习有意义的表示,以进行地表覆盖分类和航空监测等深度学习技术的研究。
Jun, 2020