基于数据驱动同化和预测的 Sentinel-2 反射动态学习

May, 2023

基于数据驱动同化和预测的 Sentinel-2 反射动态学习

Learning Sentinel-2 reflectance dynamics for data-driven assimilation and forecasting

Anthony Frion, Lucas Drumetz, Guillaume Tochon, Mauro Dalla Mura, Abdeldjalil Aïssa El Bey

TL;DR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。

Abstract

Over the last few years, massive amounts of satellite multispectral and hyperspectral images covering the Earth's surface have been made publicly available for scientific purpose, for example through the European Copernicus project. Simultaneously, the development of self-supervised learning<

satellite images self-supervised learning deep learning koopman operator theory data assimilation

发现论文，激发创造

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

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

基于自监督范式的有限标记样本遥感图像场景分类

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

通过对比学习和不确定性估计增强 Sentinel 2 影像的主动学习

介绍了一种新颖方法，通过将半监督学习与主动学习策略相结合，提高了卫星图像分析的标签效率；采用对比学习和蒙特卡洛失活来估计不确定性，在 Sentinel-2 卫星图像上使用 Eurosat 数据集进行了分析，结果显示在不平衡类别情况下，该方法优于随机选择方法，在保持高分类准确性的同时显著减少了标注工作量，此方法有潜力促进可扩展和具有成本效益的卫星图像分析，对环境监测和土地利用分类任务尤为有优势。

May, 2024

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

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

上下文相关：利用时空元数据进行遥感图像的半监督学习

利用时空元信息提高伪标签的质量以及最终模型的性能，我们提出了一种名为时空半监督学习（Spatiotemporal SSL）的框架，通过在训练集上仅将元信息应用于教师模型以改善伪标签的质量，使学生网络在测试时对时空变化具有不变性，并引入了一种新的蒸馏机制以增强教师和学生之间的知识传递。

Apr, 2024

学习表示引导的扩散模型用于大规模图像生成

该研究介绍了一种使用自我监督学习嵌入条件的扩散模型来生成高质量的病理学和卫星图像的方法。通过从自我监督学习表示中提取嵌入，可以生成大型图像，并通过生成变化的真实图像加强下游分类器的准确性。此方法在训练过程中表现出鲁棒性和普遍性，对于不同数据集的图像生成同样有效。

Dec, 2023

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

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