本文提出了一种新的自监督训练方法,利用来自多个传感器的共同数据来学习每种可能的组合的有用表示,该方法在遥感分类任务中优于全监督 ImageNet 权重,并随着越来越多的传感器融合而改善。
Aug, 2021
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
利用遥感卫星监测和缓解人为气候变化的影响在关键的干预和政策决策方面有着重要作用。合成孔径雷达 (SAR) 提供了一种强大的光学数据替代方案,通过自监督预训练方法在预测植被覆盖和土地分类关键任务上减少了标记数据需求,从而大大推进了气候变化监测的发展。
Oct, 2023
本文提出了一种基于深度学习的单图像超分辨率和波段对齐方法,通过自监督学习方法直接在 Sentinel-2 L1B 数据上进行训练,使用新型的交叉光谱注册网络实现波段对齐,避免了缺乏可靠的高分辨率地面真值的问题,并证明了该方法在合成和现实数据上的性能与监督方法相当。
本文提出了一个开放的多模式全天候映射数据集和挑战,包括光学和 SAR 数据,以及建筑物足迹标注,用于探索 SAR 数据在灾害响应和建筑物足迹提取方面的应用效果,发现使用光学预处理的 SAR 数据在建筑物足迹提取中取得了更好的效果。
Apr, 2020
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
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
本文介绍了利用自主学习技术处理遥感数据的方法,并提出了一种基于 transformer 的模型 Pretrained Remote Sensing Transformer (Presto),该模型在遥感数据分析和处理中具有较高的性能和效率。
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
SatMAE++ 是一种多尺度的远程感知图像预训练方法,通过利用多模态数据和卷积上采样块在不同尺度上重构图像,达到了光学和多光谱遥感数据的同等有效性,并在大规模数据集上实现了最先进性能。
Mar, 2024