GeoLifeCLEF 2024 多标签分类的瓦片压缩与嵌入
计算机视觉与模式识别
2024-07-10 v1
摘要
我们探索了解决 GeoLifeCLEF 2024 competition 提出的多标签分类任务的方法，该任务旨在使用空间和时间遥感数据预测特定位置的植物种是否存在。我们的做法使用离散余弦变换（DCT）的频域系数来压缩和预计算卷积神经网络的原始输入数据。我们还通过局部敏感哈希（LSH）探索最近邻模型用于预测以及辅助通过 tile2vec 实现嵌入的自监督对比学习。我们的最佳竞赛模型利用地理位置特征，获得了 0.152 的 leaderboard 分数和 0.161 的最佳赛后分数。源代码和模型均可在 https://github.com/dsgt-kaggle-clef/geolifeclef-2024 获取。
引用
@article{arxiv.2407.06326,
title = {Tile Compression and Embeddings for Multi-Label Classification in GeoLifeCLEF 2024},
author = {Anthony Miyaguchi and Patcharapong Aphiwetsa and Mark McDuffie},
journal= {arXiv preprint arXiv:2407.06326},
year = {2024}
}
备注
Submitted to CLEF 2024 for publication in CEUR-WS