Time2Agri：用于农业监控的时序预任务
机器学习
2025-07-08 v1 计算机视觉与模式识别
摘要
自监督学习(SSL)已成为标签高效学习的热门范式，广泛应用于遥感基础模型(RSFM)。近期的RSFMs包括SatMAE、DoFA等，主要依赖掩码自动编码(MAE)、对比学习或其组合。然而，这些预任务常常忽视农业景观的独特时序特征，即自然的循环规律。针对这一差距，我们提出三种新颖的农业特定预任务，即时差预测(TD)、时序频率预测(FP)和未来帧预测(FF)。在SICKLE数据集上进行全面评估显示，FF在作物映射上实现69.6%的IoU，FP将产量预测误差降低至30.7%的MAPE，超越所有基线方法，TD在大多数任务上保持具竞争力。进一步，我们还将FF扩展至印度全国规模，实现54.2%的IoU，在FTW印度数据集的作物边界描绘任务上超越所有基线方法。
引用
@article{arxiv.2507.04366,
title = {Time2Agri: Temporal Pretext Tasks for Agricultural Monitoring},
author = {Moti Rattan Gupta and Anupam Sobti},
journal= {arXiv preprint arXiv:2507.04366},
year = {2025}
}