面向遥感图像的地理知识驱动表征学习
计算机视觉与模式识别
2022-02-16 v1
摘要
遥感卫星的激增导致了海量遥感图像的产生。然而，由于人力与物力资源限制，绝大多数遥感图像仍无标注。因此，它们无法应用于当前可用的深度学习方法。为充分利用其余无标注图像，我们提出一种面向遥感图像的地理知识驱动表征学习方法（GeoKR），以提升网络性能并降低对标注数据的需求。与每幅遥感图像关联的全球土地覆盖产品与地理位置被视为地理知识，为表征学习与网络预训练提供监督。我们提出一种高效的预训练框架，以消除因遥感图像与地理知识之间成像时间与分辨率差异所引起的监督噪声。我们提出一个大规模预训练数据集 Levir-KR 以支持网络预训练，其包含来自高分系列卫星的 1,431,950 幅不同分辨率的遥感图像。实验结果表明，我们所提方法优于 ImageNet 预训练与自监督表征学习方法，并显著减轻了场景分类、语义分割、目标检测以及云/雪检测等下游任务中的数据标注负担。这表明我们所提方法可用作预训练神经网络的新范式。代码将发布于 https://github.com/flyakon/Geographical-Knowledge-driven-Representaion-Learning。
引用
@article{arxiv.2107.05276,
title = {Geographical Knowledge-driven Representation Learning for Remote Sensing Images},
author = {Wenyuan Li and Keyan Chen and Hao Chen and Zhenwei Shi},
journal= {arXiv preprint arXiv:2107.05276},
year = {2022}
}
备注
13 pages, 5 figures