遥感卫星影像上可域适应的自监督表示学习
计算机视觉与模式识别
2023-04-21 v1
摘要
本工作提出了一种新颖的域适应范式，用于研究基于遥感卫星数据的对比自监督表示学习与知识迁移。现有主流的遥感视觉域研究主要集中于完全依赖人工标注的全监督学习方法。另一方面，由于高成本和领域专业知识，遥感卫星影像中的人工标注始终数量有限，使得迁移学习成为一种可行的替代方案。所提方法深入探究了遥感数据域中不同源域与目标域数据分布之间的自监督表示知识迁移。在该设置下，基于自监督对比学习的预训练在源数据集上执行，下游任务以轮流方式在目标数据集上执行。实验在三个公开数据集UC Merced Landuse (UCMD)、SIRI-WHU和MLRSNet上进行，针对不同的下游分类任务与标签效率展开。在自监督知识迁移中，所提方法以标签效率优势取得了最先进（SOTA）性能，并优于全监督设定。更深入的定性检验揭示了一致的可解释表示学习证据。源代码与训练模型已发布于GitHub。
引用
@article{arxiv.2304.09874,
title = {Domain Adaptable Self-supervised Representation Learning on Remote Sensing Satellite Imagery},
author = {Muskaan Chopra and Prakash Chandra Chhipa and Gopal Mengi and Varun Gupta and Marcus Liwicki},
journal= {arXiv preprint arXiv:2304.09874},
year = {2023}
}
备注
Accepted in International Joint Conference on Neural Networks (IJCNN) 2023. First three authors shares equal contribution!