Oct, 2020

基于自监督范式的有限标记样本遥感图像场景分类

PDF
TL;DR通过自监督学习机制，利用未标记的大规模遥感图像数据进行预训练，提高了远程传感器图像场景分类任务的性能，与传统的以 Imagenet 为代表的方法相比表现更佳。同时，研究了多个影响自监督学习的因素，这些研究成果对遥感领域中 SSL 技术的发展具有积极意义，有望提高大规模遥感图像处理的效率。
self-supervised learningremote sensing imagesscene classificationpre-training modelsunlabeled data
发现论文，激发创造
  • 领域内自监督学习可提高遥感图像分类

    本文研究了自监督学习在遥感图像分类中的应用， 使用 ViT 模型和 iBOT 框架进行预训练可以提高模型预测性能。

    Jul, 2023

  • 一种通用的自监督学习 (SSL) 框架，用于从未标记的遥感图像的光谱 - 空间特征中进行表征学习

    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

  • 自监督遥感特征学习：学习范式，挑战和未来工作

    本文以遥感图像为例，研究了深度学习中三种特征学习方法的信号学问题，分析了自监督学习方法在遥感图像理解任务中的优势和现有研究工作，并讨论了进一步的研究方向和问题。

    Nov, 2022

  • 多光谱和 SAR 图像不变表示的自监督学习

    利用蒸馏网络（BYOL）并结合多光谱（MS）和合成孔径雷达（SAR）图像数据，该研究提出了 RSDnet 在遥感领域进行无监督学习，实现了对于单通道特征的高准确度分类和分割任务的探索，同时还通过与 ImageNet 加权模型的比较表明 RSDｎet 达到了更好的表现。

    May, 2022

  • 遥感卫星图像的领域适应自监督表示学习

    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

  • 场景图像的多标签自监督学习

    使用多标签自监督学习（MLS）方法，通过将场景 / 多标签图像的自监督学习简化为多标签分类问题，我们可以学习到高质量的图像表示，该方法在 MS-COCO 上获得了分类、检测和分割方面的最先进结果，并且比现有的方法简单易用，便于部署和进一步探索。

    Aug, 2023

  • 增强型自监督聚类学习：应用于土地覆盖地图制作

    通过聚类为自监督学习的前提任务，提出了一种用于土地覆盖映射的方法，通过所得聚类结构进行主动采样，提高映射准确性。

    Aug, 2021

  • 基于引导增强的自我监督表示学习的遥感图像理解

    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

  • 自监督学习对数据集失衡更具鲁棒性

    本文通过广泛的实验和理论分析，系统研究了在数据集不平衡的情况下自监督学习的表现，并通过半合成实验验证了 SSL 学习了与标签无关但可转移的特征，进而提出了一种新的加权正则化技术，显著提高了 SSL 表示的质量。

    Oct, 2021

  • 自监督学习提升合成孔径声纳目标识别

    这项研究探讨了自监督学习（SSL）在合成孔径声纳（SAS）图像识别改进中的应用，结果表明，尽管两个 SSL 模型在少样本情况下可以优于完全监督模型，但在使用全部标签时不能超过其性能，这有助于减少数据标记的时间和成本，同时提供了远程感知中使用 SSL 的证据。

    Jul, 2023