用于卫星影像灌溉检测的自监督对比学习
计算机视觉与模式识别
2021-08-13 v1 机器学习
摘要
气候变化已导致河流径流和含水层补给减少，使得在淡水可用性下降的情况下作物需水日益不可持续。在可持续用水的同时实现粮食安全仍将是一项重大挑战，需要仔细监测和追踪农业用水情况。历史上，监测用水一直是一个缓慢且昂贵的手工过程，存在诸多不完善和滥用之处。机器学习与遥感的发展提升了自动监测灌溉模式的能力，但现有技术通常需要经过整理和标注的灌溉数据，这类数据获取昂贵且耗时，并且在发展中国家等影响重大的地区可能并不存在。本文探讨了一个使用未整理且无标签的卫星影像进行灌溉检测的端到端实际应用。我们将最先进的自监督深度学习技术应用于光学遥感数据，发现相较于传统监督学习方法，我们的方法在灌溉检测上精度最高提升九倍、召回率提升 90%、泛化能力增强 40%。
引用
@article{arxiv.2108.05484,
title = {Self-supervised Contrastive Learning for Irrigation Detection in Satellite Imagery},
author = {Chitra Agastya and Sirak Ghebremusse and Ian Anderson and Colorado Reed and Hossein Vahabi and Alberto Todeschini},
journal= {arXiv preprint arXiv:2108.05484},
year = {2021}
}