基于排名的地理正则化：重新审视多光谱遥感影像的对比自监督学习
计算机视觉与模式识别
2026-01-06 v1
摘要
自监督学习(SSL)已成为从大规模无标签数据集中学习的强大范式,尤其在计算机视觉(CV)中.然而,将 SSL 应用于多光谱遥感(RS)图像面临独特挑战与机遇,因为数据具有地理和时序上的变异性.本文引入 GeoRank,一种新的对比 SSL 正则化方法,通过直接优化球形距离将地理关系嵌入学习特征空间,超越先前技术. GeoRank 在多种对比 SSL 方法(如 BYOL、DINO)上均表现出优于或相当于整合地理元数据的先前方法的性能.此外,我们系统性地调查了多光谱 RS 图像对比 SSL 的关键适应,包括数据增强的有效性、数据集基数和图像大小对性能的影响,以及时序视图的任务依赖性.代码已公开于 https://github.com/tomburgert/georank.
引用
@article{arxiv.2601.02289,
title = {Rank-based Geographical Regularization: Revisiting Contrastive Self-Supervised Learning for Multispectral Remote Sensing Imagery},
author = {Tom Burgert and Leonard Hackel and Paolo Rota and Begüm Demir},
journal= {arXiv preprint arXiv:2601.02289},
year = {2026}
}
备注
accepted for publication at IEEE/CVF Winter Conference on Applications of Computer Vision