一种用于极光识别与分类的对比学习方法
计算机视觉与模式识别
2022-01-13 v2 机器学习
摘要
无监督学习算法在基准计算机视觉任务上开始达到与其有监督同类算法相当的准确率，但其在实际应用中的效用尚未得到证实。在本工作中，我们提出了一种将无监督学习应用于极光图像分类任务的新颖应用。具体而言，我们修改并适配了简单对比学习表示框架（SimCLR）算法，以在一个新发布的极光图像数据集中学习极光图像的表示，该数据集是利用亚暴期间事件时间历史与宏观尺度相互作用（THEMIS）全天星象仪的图像数据构建的。我们证明：拟合于图像学习表示的简单线性分类器实现了 SOTA 的分类性能，将分类准确率较当前基准提高了近 10 个百分点；学习到的表示自然聚类成的簇数多于人工分配的类别数，这表明现有的分类过于粗糙，可能掩盖了极光类型、近地太阳风条件与地球表面地磁扰动之间的重要联系。此外，我们的模型比该数据集上先前的基准模型轻量得多，所需参数量不到其 25%。我们的方法超出了操作用途的既定阈值，展示了部署与利用的准备状态。
引用
@article{arxiv.2109.13899,
title = {A Contrastive Learning Approach to Auroral Identification and Classification},
author = {Jeremiah W. Johnson and Swathi Hari and Donald Hampton and Hyunju K. Connor and Amy Keesee},
journal= {arXiv preprint arXiv:2109.13899},
year = {2022}
}
备注
6 pages, 5 figures, 1 table