遥感表示学习：一种无监督传感器融合方法

ICLRAug, 2021

遥感表示学习：一种无监督传感器融合方法

Representation Learning for Remote Sensing: An Unsupervised Sensor Fusion Approach

Aidan M. Swope, Xander H. Rudelis, Kyle T. Story

TL;DR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。

Abstract

In the application of machine learning to remote sensing, labeled data is often scarce or expensive, which impedes the training of powerful models like deep convolutional neural networks. Although unlabeled data

machine learning remote sensing self-supervised learning multi-sensor representation contrastive sensor fusion

发现论文，激发创造

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

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

遥感联合多模态自监督预训练：甲烷源分类应用

本文针对当前深度学习方法在计算机视觉和遥感专业任务中应用普及的情况，讨论了解决办法。结合地理位置信息，提出利用不标注数据进行自我监督预训练，探讨了联合嵌入方法在多种遥感图像模态下的应用，最终在甲烷源分类任务上获得良好的性能。

Jun, 2023

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

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

嵌入式智能多传感器表征的联邦自监督学习

提出了一种基于小波变换的自监督学习方法，用于从未标注的传感器输入中学习有用的表示，该方法通过优化对比目标使用深时间神经网络来确定一对信号和其补充视图（即使用小波变换生成的 scalogram）是否对齐，对无标签的数据进行训练可以提高泛化能力，并在多个任务中实现了具有竞争力的性能。

Jul, 2020

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

遥感数据融合的不完全多模态学习

本文提出了一种新颖的不完整多模态学习模型，结合双向 LSTM 注意力和掩蔽自注意机制来收集多模态信号，利用重构和对比损失来促进预训练中的融合，能在处理数据不完整输入时达到当前最佳性能水平。

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