自监督、遥感与抽象：跨越 300 万地点的表示学习

基于自监督的深度学习分类方法已在学术文献中受到相当关注。然而，此类方法在遥感图像域上的性能仍待充分探索。在这项工作中，我们探索了对比表示学习方法在基于图像的城市分类任务上的应用，这是城市计算中的一个重要问题。我们在 2 个域、300 万地点和超过 1500 个城市上使用卫星与地图图像。我们表明自监督方法能从少至 200 个城市构建可泛化表示，该表示在未见城市上以最少的额外训练取得了超过 95% 的准确率。我们还发现，与自然图像和抽象图像之间的域差异所导致的此类方法与监督方法相比的性能差异，对于遥感图像而言是显著的。我们将所有分析与学术文献中已有的监督模型进行对比，并开源我们的模型以用于更广泛的使用和进一步的批评。