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。

Oct, 2020

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

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

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

本文应用 Koopman 算子理论灵感，训练了一个自监督深度学习模型，用于建模未经标注的多光谱和高光谱卫星图像，同时证明了该模型可以用于数据同化。

May, 2023

通过使用非标记的合成孔径雷达（SAR）数据，预先训练自监督学习模型（ViT-based DINO 模型）并对其进行微调以预测高分辨率土地覆盖地图，本研究重点探究了 Self-Distillation with No Labels（DINO）算法的特征以及其在合成孔径雷达成像领域的应用，通过对 ViT 背骨网络生成的注意力图与模型的标记嵌入空间进行比较和评估，我们观察到与从头开始训练相比，预训练模型性能略有提升，并讨论了自监督学习在遥感和土地覆盖分割中的局限性和机会，除了微小的性能提高外，我们展示了 ViT 的注意力图在遥感领域具有重要的内在价值，并可能为其他算法提供有用的输入。因此，我们的工作为地球观测提供了更大更好的自监督学习模型的基础。

Oct, 2023

我们提出了一种利用师生网络 (SSOD-AT) 来增强遥感图像半监督目标检测 (SSOD) 的新型主动学习 (AL) 方法，该方法利用 RoI 比较模块 (RoICM) 生成高置信度伪标签，同时使用 RoICM 识别不确定度前 K 个图像，并引入多样性准则来减少人工标注中的冗余。实验证明，我们的方法在遥感图像中的目标检测方面优于现有方法。

Feb, 2024

提出一个新颖的多模态自监督网络（MS-Net）用于合成孔径雷达（SAR）影像中飞机的细粒度分类，通过大量实验，证明了 MS-Net 在无标签情况下能够有效降低类似类型飞机的分类难度，对 SAR 影像中飞机的细粒度分类具有开创性意义。

Aug, 2023

本文提出一种适用于遥感图像的自监督学习框架 CMID，利用对比学习与遮罩图像建模的自我蒸馏方式，能够同时学习到全局语义可分离性和局部空间可感知性的表示，并且是与卷积神经网络和视觉变换器都兼容的架构不可知型框架，对 4 个下游任务进行的全面实验结果表明，使用 CMID 预训练的模型在多个下游任务上比其他最先进的 SSL 方法表现更好。

Apr, 2023

该研究提出了一种可见光与近红外图像融合的方法，通过使用 RGBT 传感器获取的可见图像和近红外通道的信息，利用 SSIM 损失和边缘保护等技术进行融合，并在实验证明相比其他方法，该方法在多光谱融合方面取得了更好的结果。

Jul, 2023