CELESTIAL：基于自监督望远镜图像分析学习与无标签嵌入的场景分类
计算机视觉与模式识别
2022-01-21 v1
摘要
遥感中的一类常见问题是场景分类，这是自然灾害识别、地理图像检索和环境监测的一项基础重要任务。该领域近期的发展依赖于标签依赖的监督学习技术，这与 NASA GIBS 中 35 PB 的未标记卫星图像相悖。为解决此问题，我们建立了 CELESTIAL——一个用于有效利用稀疏标记卫星图像的自监督学习流程。该流程成功适配了 SimCLR（一种先在无标签数据上学习图像表示，再在所提供的标签上微调该知识的算法）。我们的结果表明，在实验数据集上达到相同准确率时，CELESTIAL 仅需要监督方法所需标签量的三分之一。第一无监督阶段可支持如 NASA Worldview 的反向图像搜索（即利用最少样本在多年未标记数据中搜索相似大气现象）等应用，第二监督阶段可显著降低昂贵数据标注的必要性。未来，我们希望能将 CELESTIAL 流程推广到其他数据类型、算法和应用。
引用
@article{arxiv.2201.08001,
title = {CELESTIAL: Classification Enabled via Labelless Embeddings with Self-supervised Telescope Image Analysis Learning},
author = {Suhas Kotha and Anirudh Koul and Siddha Ganju and Meher Kasam},
journal= {arXiv preprint arXiv:2201.08001},
year = {2022}
}
备注
COSPAR 2021 Cross-Disciplinary Workshop on Machine Learning for Space Sciences, Sydney, Australia