Jun, 2024

全球高分辨率土地覆盖图的弱监督方法

PDF
TL;DR利用弱监督领域自适应方法，基于原型伪标签修正和扩展，实现高分类分辨率土地覆盖图，并在不同地区的 10 个城市中实现跨传感器、跨类别和跨大陆的地形适应，总体精度超过 80%。
land cover mappingweakly supervised domain adaptationprototype-based pseudo-label rectification and expansionhigh categorical resolutioncross-sensor cross-category and cross-continent wsda
发现论文，激发创造
  • 卫星图像弱监督语义分割用于土地覆盖制图 -- 挑战和机遇

    本文介绍了一种基于弱监督学习策略的方法，以处理远程感知特定形式的弱监督数据，并取得高分辨率大规模土地覆盖映射的进展，基于 SEN12MS 数据集进行了讨论和展示了一些基线结果。

    Feb, 2020

  • 非洲农田制图的弱标注

    非洲农田绘图中的高分辨率地图建立方法探讨。通过无监督对象聚类，改善现有弱标签，并将其与稀疏的人工注释结合，用于语义分割网络的训练，以便识别农田区域。实验证明了该方法改进的弱标签的效益。

    Jan, 2024

  • 全局与局部的结合：基于类别感知弱监督的有效多标签图像分类

    该研究构建了一个统一框架，以执行有效的噪声提议抑制并相互作用全局和局部特征进行稳健的特征学习，包括使用类别感知弱监督来集中注意力于不存在的类别为本地特征学习提供确定性信息，以及开发跨粒度注意力模块来探索全局和局部特征之间的互补信息。在 MS-COCO 和 VOC 2007 两个大规模数据集上的广泛实验表明，该框架优于最先进的方法。

    Nov, 2022

  • 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

  • 使用弱标签的域自适应语义分割

    论文提出一个新框架，使用 image-level weak labels，引入了 category-wise alignment 来实现 domain adaptation 中 feature alignment 和 pseudo-labeling 的相互作用，实验结果表明在 UDA 和 WDA 上都有显著的提高。

    Jul, 2020

  • 无准确指导的学习：从低分辨率的历史标签更新大规模高分辨率土地覆盖地图

    我们提出了一种高效的弱监督框架 Paraformer（即 L2HNet V2），用于通过低分辨率的历史地表覆盖数据指导大规模高分辨率土地覆盖图绘制。Paraformer 采用平行的 CNN-Transformer 特征提取器，同时捕捉局部和全局上下文信息，并采用伪标签辅助训练模块对弱监督情景下的高分辨率图像进行语义分割。实验证明 Paraformer 在 LR 历史标签的自动更新高分辨率土地覆盖图方面优于其他最先进的方法。

    Mar, 2024

  • 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

  • 使用过时产品和变压器进行交叉分辨率土地覆盖分类

    提出基于 Transformer 的弱监督方法，用于跨分辨率土地覆盖分类，解决了高分辨率标注数据缺乏的问题，并利用过时数据进行实验，结果证明该方法优于现有方法。

    Feb, 2024

  • 大规模弱监督学习用于卫星图像中的道路提取

    使用深度学习从卫星图像中自动提取道路是传统手动制图的可行替代方案，本文提出了利用 OpenStreetMap 道路数据作为弱标签和大规模卫星图像进行预训练语义分割模型的方法，并且利用大规模预训练使模型具有更好的泛化能力。

    Sep, 2023

  • 使用可转移深度模型进行高分辨率遥感影像土地覆盖分类

    本文提出了一种利用深度神经网络对高分辨率遥感图像进行无监督地物分类的方案，通过未标记遥感图像进行伪标注和样本选择来提高模型的转移性，并通过细化预先训练好的模型，组合分块分类和分层分割实现像素级地物分类。

    Jul, 2018