ICCVNov, 2020

地理感知的自监督学习

PDF
TL;DR本研究旨在将对比学习方法应用于地理定位的数据集上，通过利用遥感数据的时空结构设计预处理任务和构建时空正对来消除对比学习和监督学习之间的差距，并在遥感图像分类、目标检测和语义分割等任务上展示该方法的有效性，同时还表明该方法可以应用于地理标记的 ImageNet 图像并提高相应任务的性能。
发现论文，激发创造
  • CSP：自监督对比空间预训练用于地理空间视觉表示

    本研究提出了一种基于自监督学习的框架 Contrastive Spatial Pre-Training（CSP），用于处理大量具有地理标记信息的图像，通过对地理信息进行编码和对比学习，可以提高模型在图像分类任务中的性能。

    May, 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

  • 遥感多视角图像的自监督变化检测

    本文提出了一种基于多视角对比损失的自监督无监督远程感知变化检测方法，利用伪孪生网络在大型数据集上进行对比式预训练。实验表明该方法能够显著提高状态最先进的无监督方法的准确性，并使无监督和有监督变化检测之间的差距变小。

    Mar, 2021

  • 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

  • 季节对比：来自未经筛选的遥感数据的无监督预训练

    提出了 Seasonal Contrast (SeCo) 管道来利用未标记数据进行领域内预训练遥感表示，并展示了使用该管道训练的模型在多个下游任务中实现了比 ImageNet 预训练模型和最先进的自监督学习方法更好的性能。

    Mar, 2021

  • 火星图像分类和分割的半监督学习

    本论文介绍了一种半监督机器视觉框架，使用对比学习和注释数据来有效地解决在火星图像数据的分类和分割任务中面对的挑战，并通过在有标注和无标注数据上的学习来提高模型性能和优化处理火星数据的效果。

    Jun, 2022

  • 深度无监督学习的空间对比

    该论文采用对比学习方法提出了一种基于空间区域的卷积神经网络无监督训练方法，可与传统的神经网络结构和训练技巧相结合，提高模型性能。

    Nov, 2016

  • 遥感数据的去偏学习

    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

  • 基于地理知识的遥感图像表征学习

    该研究提出了一种基于地理知识驱动的遥感图像表示学习方法，该方法提高了网络性能，减少了对注释数据的需求，证明了该方法可以作为神经网络预训练的一种新典范。

    Jul, 2021

  • 有限标注医学图像分割的全局和局部特征的对比学习

    本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

    Jun, 2020