探索无标签自蒸馏在基于 SAR 的植被预测中的泛化性
计算机视觉与模式识别
2023-12-05 v2
摘要
本工作中，我们使用两个合成孔径雷达（SAR）数据集（S1GRD 或 GSSIC）跨越三个区域（中国、美国本土、欧洲）预训练基于 DINO-ViT 的模型。我们在较小的标注数据集上微调模型以预测植被百分比，并实证研究了模型嵌入空间与其跨不同地理区域及未知数据泛化能力之间的联系。对于 S1GRD，不同区域的嵌入空间明显分离，而 GSSIC 的则重叠。位置模式在微调中保留，且嵌入空间中距离越大常导致对陌生区域误差越高。据此，我们的工作增进了对应用于遥感的自监督模型泛化性的理解。
引用
@article{arxiv.2310.02048,
title = {Exploring Generalisability of Self-Distillation with No Labels for SAR-Based Vegetation Prediction},
author = {Laura Martínez-Ferrer and Anna Jungbluth and Joseph A. Gallego-Mejia and Matt Allen and Francisco Dorr and Freddie Kalaitzis and Raúl Ramos-Pollán},
journal= {arXiv preprint arXiv:2310.02048},
year = {2023}
}
备注
10 pages, 9 figures