Apr, 2023

一种基于高程数据的对比方法，用于稀缺和高级语义标签的遥感分类

PDF
TL;DR该研究提出一种混合无监督 / 监督学习方法，结合反差预训练模型和预测粗略海拔图像的预文本任务，以处理只有少量标签的地球观测下游任务，并评估其在分割和图像分类任务中的实验结果。
hybrid unsupervised/supervised learningearth observationpretraining modelscontrastive approachelevation maps
发现论文，激发创造
  • 多标签引导的软对比学习用于高效地球观测预训练

    利用自监督预训练技术在大规模卫星数据上取得了重要进展，同时发现在地表覆盖地表利用产品等自由全球语义信息资源和自然世界的视觉基础模型等重要资源的应用能显著提高地球观测预训练的效率和效果。

    May, 2024

  • 地理感知的自监督学习

    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。

    Nov, 2020

  • 基于地势信息的自主学习：利用有限注释增强 LiDAR 数据中的建筑物提取

    使用地面高程模型和自我监督学习的方法，在建筑物分割地图中利用少量标签数据取得了较好的效果，对于在遥感领域中提取特征具有高效性和有效性。

    Nov, 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

  • CroCo: 跨模态对比学习用于地球观测数据定位

    本研究提出了一种对地基 LiDAR 点云进行本地化的方法，可以将由航空 LiDAR 点云生成的数字高程模型（DEM）映射到航拍图像上。该方法基于对比学习，使用 DEM 和高分辨率光学图像进行训练，并通过不同的数据采样策略和超参数进行实验。在最佳情况下，Top-1 得分为 0.71，Top-5 得分为 0.81。该方法具有从 RGB 和 DEM 中进行特征学习以便进行本地化的潜力，并可能适用于其他数据源。

    Apr, 2022

  • 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

  • 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

  • 自监督遮蔽数字高程模型编码用于低资源下游任务

    利用自我监督学习方法，通过预训练的遮蔽自动编码器在 Digital Elevation Models 上提取建筑物和道路分割，有效利用有限的标注数据，为地表变化频繁的任务提供数据高效的学习器。

    Sep, 2023

  • 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

  • MMEarth: 多模态预测任务研究地理空间表示学习

    利用未标记的地球观测数据创建多模态预训练数据集，通过多模态预训练任务，提出了改进的 ConvNeXt V2 架构的 Multi-Pretext Masked Autoencoder (MP-MAE) 方法，证明多模态预训练可以显著提高图像分类和语义分割的性能，以及标签和参数的效率。

    May, 2024