面向遥感表示的任务导向多注释三元组学习
计算机视觉与模式识别
2026-04-07 v1
摘要
先前的多任务三元组损失方法依赖静态权重来平衡各种类型注释之间的监督。然而，静态加权需要调参，且未考虑任务在塑造共享表示时之间的相互作用。为此，提出的任务导向多注释三元组损失通过一种相互信息准则选择三元组，识别跨任务最具信息性的三元组。该策略修改了哪些样本影响表示，而非调整损失幅度。实验在空中野生动物数据集上比较了所提出的任务导向选择与几种三元组损失设置，用于以有效的方式塑造共享表示。结果表明，改进了分类和回归性能，并证明任务感知的三元组选择为下游任务产生更有效的共享表示。
引用
@article{arxiv.2604.03837,
title = {Task-Guided Multi-Annotation Triplet Learning for Remote Sensing Representations},
author = {Meilun Zhou and Alina Zare},
journal= {arXiv preprint arXiv:2604.03837},
year = {2026}
}
备注
Accepted for Oral Presentation at the 46th IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2026, Washington D.C., United States. 4 pages and 2 figures