基于课程多任务自监督学习的轻量化卫星高光谱图像分割
计算机视觉与模式识别
2026-02-17 v2 人工智能
机器学习
摘要
高光谱成像(HSI)在每个像元中捕获数百个连续波段的详细光谱特征，是遥感应用（如土地覆盖分类、变化检测和环境监测）的必备技术。鉴于 HSI 数据的高维性以及卫星系统中数据传输的慢速率，要求采用紧凑且高效的模型以支持 onboard 处理并最小化冗余或低价值的数据传输。为此，我们提出一种 novel 的课程多任务自监督学习(CMTSSL)框架，为 HSI 分析设计轻量化架构。CMTSSL 将掩码图像建模与解耦的空间和光谱拼图问题解决相结合，采用课程学习策略在自监督期间逐步增加数据难度。这使得编码器能够联合捕获细粒度的光谱连续性、空间结构和全局语义特征。与以往的双任务 SSL 方法不同，CMTSSL 在统一且计算高效的设计中同时处理空间和光谱推理，特别适合为卫星 onboard 部署训练轻量化模型。我们在四个公开基准数据集上验证了该方法，显示在下游分割任务中 consistently 获得提升，使用的架构比一些最先进的模型轻超过 16,000 倍。这些结果凸显了 CMTSSL 在轻量化架构中实现通用表征学习潜力，适用于实际 HSI 应用。我们的代码已公开发布于 https://github.com/hugocarlesso/CMTSSL。
关键词
引用
@article{arxiv.2509.13229,
title = {Curriculum Multi-Task Self-Supervision Improves Lightweight Architectures for Onboard Satellite Hyperspectral Image Segmentation},
author = {Hugo Carlesso and Josiane Mothe and Radu Tudor Ionescu},
journal= {arXiv preprint arXiv:2509.13229},
year = {2026}
}
备注
Accepted at ICRA 2026