关于计算机视觉与遥感图像标签高效学习的若干贡献

本稿件呈报告作者在计算机视觉与遥感图像标签高效学习领域的精选研究贡献。该研究的核心聚焦于开发和改进能够有效利用有限或部分标注数据，并能在实际应用中充分利用大量无标签数据的学习方法。这些贡献涵盖方法论的开发与领域特定的适应，特别针对地球观测数据独有的挑战，如多模态性、空间分辨率的变异性以及场景的异质性等问题。本稿件围绕四个主要维度展开：(1) 基于从大量背景图像中学习的异常感知表示进行的弱监督学习用于目标发现与检测；(2) 多任务学习，同时在多个标注不完整的数据集上进行训练，以提升目标检测与语义分割性能；(3) 基于多模态数据的自监督与监督对比学习，用于提升遥感图像场景分类；(4) 基于显式与隐式类层次建模的few-shot学习用于层次化场景分类。这些贡献通过在自然图像与遥感数据集上的大量实验结果得到支撑，反映出数个合作研究项目的成果。本稿件最后概述了致力于扩大规模并提升标签高效学习以适应实际应用的持续与未来研究方向。