PBVS 2024方案：极端长尾分布下SAR分类的自监督学习与采样策略
计算机视觉与模式识别
2024-12-18 v1
摘要
多模态学习研讨会（PBVS 2024）旨在通过同时利用合成孔径雷达（SAR）数据和电光（EO）数据进行学习，以提升自动目标识别（ATR）系统的性能，其中SAR数据难以解读但不受天气条件和可见光影响。其子任务，即多模态航拍图像挑战赛——分类，侧重于基于一组SAR-EO图像对及其各自的类别标签来预测低分辨率航拍图像的类别标签。提供的数据集由SAR-EO对组成，具有严重的长尾分布特征，最大类别和最小类别之间的差异超过1000倍，使得典型的长尾方法难以应用。此外，SAR和EO数据集之间的领域差异降低了标准多模态方法的有效性。为了应对这些重大挑战，我们提出了一种两阶段学习方法，利用自监督技术，结合多模态学习以及通过SAR到EO转换进行推理，以有效利用EO数据。在PBVS 2024多模态航拍图像挑战赛——分类（SAR分类）任务的最终测试阶段，我们的模型实现了21.45%的准确率、0.56的AUC和0.30的总分，在竞赛中排名第9。
引用
@article{arxiv.2412.12565,
title = {PBVS 2024 Solution: Self-Supervised Learning and Sampling Strategies for SAR Classification in Extreme Long-Tail Distribution},
author = {Yuhyun Kim and Minwoo Kim and Hyobin Park and Jinwook Jung and Dong-Geol Choi},
journal= {arXiv preprint arXiv:2412.12565},
year = {2024}
}
备注
4 pages, 3 figures, 1 Table