领域内自监督学习可提高遥感图像分类
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
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
本文通过广泛的实验和理论分析,系统研究了在数据集不平衡的情况下自监督学习的表现,并通过半合成实验验证了 SSL 学习了与标签无关但可转移的特征,进而提出了一种新的加权正则化技术,显著提高了 SSL 表示的质量。
Oct, 2021
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
在相对有限 / 受约束的数据集中,通过比较实验评估了现代视觉自监督学习方法的有效性,发现针对特定领域的下游任务,在领域内的低数据量自监督预训练优于在通用数据集上进行大规模预训练,为该领域中各类自监督学习方法的性能提供了有价值的见解,并提出了直接的未来研究方向。
Apr, 2024
通过在非医学图像上进行自监督学习的预训练来提高医学图像诊断准确性的研究表明,选择正确的预训练策略,尤其是自监督学习,在医学成像中对人工智能的诊断准确性具有重要意义。
Aug, 2023
本文介绍了自监督学习技术在自动驾驶感知中的应用,其能够替代传统手动标注的方式,为自动驾驶中的不同任务提供了有效的替代方法,并提出了未来自监督学习系统设计中的重要挑战。
Oct, 2019
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
本研究探讨了基于强数据扩充的无监督自我学习技术在人工智能应用中的重要作用,以乳腺癌检测为例,通过实验验证表明使用该技术可以大幅提高数据利用率,而且更容易迁移到其他数据集,是医学图像人工智能领域迈向无监督学习和去掉传统稀缺标签的重要突破。
Mar, 2022
本文深入分析了自监督学习的机制以及其对表示学习的影响,揭示了自监督学习在样本聚类方面的潜在驱动作用,同时证实了该方法所训练的表示与语义类别之间存在着密切的对齐关系,并且这种对齐关系随着训练和网络深度的加深而不断增强,这对于提高自监督学习方法的性能和效果具有重要的理论和实际意义。
May, 2023