利用自监督表示学习生成卫星图像分类数据

在有监督深度神经网络在遥感领域许多任务中处于最优地位，但此类技术需要由输入与标签对组成的数据集，而这类数据集在人力与资源方面都稀少且昂贵。另一方面，无论是商业还是学术用途，都有大量原始卫星图像可用。因此，在本工作中，我们通过引入基于自监督学习技术为卫星图像块创建合成标签的流程，来解决卫星图像分类任务中标注数据不足的问题。这些合成标签可用作现有有监督学习技术的训练数据集。在我们的实验中，我们表明在合成标签上训练的模型与在真实标签上训练的模型性能相近。并且在创建合成标签的过程中，我们也获得了具有通用性和可迁移性的视觉表示向量。