具有噪声标签的遥感图像分割的任务特定预训练
本文提出了一种基于卷积神经网络的遥感图像像素级标注方法，该方法使用大输入图像在标注时通过增大CNN模型尺寸以实现标注时间的有效减少及整体标注精度的提高。
May, 2018
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。
Apr, 2023
本研究发现，将预训练图像的预处理过程直接应用于卫星和航空图像数据集中可以显著提高下游任务的性能；特别是通过这种方式，ImageNet预训练模型成为卫星图像转移学习任务的一个有竞争力的基准。
May, 2023
本研究通过比较使用边界框和分割标签来训练平移窗口变换器的模型，对数据集设计对模型训练和性能的影响进行了研究，发现只使用目标像素训练的模型在分类任务中没有性能改善，而边界框在物体检测性能上与分割标签等价。通过确定这一结果在数据类型和模型架构上的一致性，可以在生成遥感数据集时实现可观的成本节约。
Oct, 2023
通过构建新的数据集、提出新的训练策略以及设计更适用的模型性能评估方法，本文首次考虑标签噪声对遥感图像中云和雪的检测的影响，并验证了所提出方法的有效性。
Jan, 2024
适应性触发在线目标智能矫正 (AIO2) 通过自适应矫正触发模块（ACT）和基于空间信息的在线目标矫正（O2C）方法，利用含噪标签的平均教师模型提高训练鲁棒性，以解决地球观测中标注噪音问题，并在两个不同空间分辨率的建筑物轮廓分割数据集上验证了其鲁棒性。
Mar, 2024
本研究基于共享编码器和任务特定解码器架构，对遥感基础模型进行多任务监督预训练，包括语义分割、实例分割和旋转目标检测。随后在不同的遥感下游任务上对预训练模型进行微调，并通过14个数据集的广泛实验验证了我们模型相对于同样规模的现有模型的优越性以及与更大型的最先进模型的竞争性表现，从而验证了多任务预训练的有效性。
Mar, 2024
我们研究了在多模态学习框架中，利用噪声标签y对语义分割模型进行预训练的潜力，针对地理空间应用。具体而言，我们提出了一种新颖的交叉模态样本选择方法（CromSS），利用给定地理空间场景的多个传感器/模态d模拟的像素x和类别c之间的类别分布P^{(d)}(x,c)。基于P^{(d)}(x,c)的熵，沟通了传感器d上的预测结果的一致性。通过每个传感器d对噪声类别标签的置信度P^{(d)}(x,c=y(x))确定噪声标签采样。通过对来自全球采样的SSL4EO-S12数据集的Sentinel-1（雷达）和Sentinel-2（光学）卫星图像进行预训练，我们验证了我们方法的性能。对DFC2020数据集上的迁移学习评估（下游任务）证实了该方法在遥感图像分割中的有效性。
May, 2024
我们提出了一种名为ALPS的创新自动标注框架，利用Segment Anything Model (SAM)预测遥感图像的准确伪标签，从而填补了遥感图像分析领域中海量未标注数据集和充分利用这些数据集进行高级RS分析之间的鸿沟。
Jun, 2024