来自空间之外的颜色：学习对地观测影像的自监督表示
计算机视觉与模式识别
2020-06-23 v1 机器学习
摘要
近期卫星图像数量的增长促进了遥感(RS)有效深度学习技术的发展。然而，由于缺乏大型标注数据集，其全部潜力尚未被挖掘。此类问题通常通过微调在 ImageNet 数据集上预训练的特征提取器来解决。遗憾的是，自然图像领域与 RS 领域存在差异，这阻碍了最终性能。在本工作中，我们提出从卫星影像中学习有意义的表示，利用其高维谱带重建可见颜色。我们在土地覆盖分类(BigEarthNet)和西尼罗河病毒检测上进行了实验，表明着色是训练特征提取器的可靠前置任务。此外，我们定性地观察到，基于自然图像的猜测与基于着色的猜测依赖于输入的不同部分。这为最终优于上述两种技术的集成模型铺平了道路。
引用
@article{arxiv.2006.12119,
title = {The color out of space: learning self-supervised representations for Earth Observation imagery},
author = {Stefano Vincenzi and Angelo Porrello and Pietro Buzzega and Marco Cipriano and Pietro Fronte and Roberto Cuccu and Carla Ippoliti and Annamaria Conte and Simone Calderara},
journal= {arXiv preprint arXiv:2006.12119},
year = {2020}
}
备注
8 pages, 2 figures. Accepted in the 25th International Conference on PATTERN RECOGNITION (ICPR 2020), Milan, Italy