MAESTRO：面向多模态、多时序和多光谱遥感地球观测数据的掩码自编码器
计算机视觉与模式识别
2025-10-10 v2
摘要
无监督学习为遥感领域带来了巨大的潜力，但必须适应地球观测数据的独特特征。我们在此方向上迈出了一步，通过对重建目标的融合策略和归一化方案进行全面基准测试，以适应多模态、多时序和多光谱遥感地球观测数据。在我们发现的基础上，我们引入了 MAESTRO，这是一种新颖的掩码自编码器适应方案，融合了优化后的融合机制，以及一种将光谱先验作为自监督信号纳入归一化方案的方案。在四个地球观测数据集上进行 intra- 和 cross-dataset 设置的评估表明，MAESTRO 在高度依赖多时序动态性的任务上实现了最先进的性能，同时在其他任务上也保持具竞争力。所有实验的复现代码已 disponible at https://github.com/ignf/maestro。
引用
@article{arxiv.2508.10894,
title = {MAESTRO: Masked AutoEncoders for Multimodal, Multitemporal, and Multispectral Earth Observation Data},
author = {Antoine Labatie and Michael Vaccaro and Nina Lardiere and Anatol Garioud and Nicolas Gonthier},
journal= {arXiv preprint arXiv:2508.10894},
year = {2025}
}