Trust-SSL：面向鲁棒航空自监督学习的增益-残差选择性不变性
计算机视觉与模式识别
2026-04-24 v1 人工智能
机器学习
神经与进化计算
摘要
自监督学习(SSL)是航空图像表征学习的标准方法。现有方法在增强视图之间强制不变性，效果良好当增强处理保留语义内容时。然而，航空图像常因雾霾、运动模糊、雨雾和遮挡导致关键证据丢失。在干净视图和严重受损视图之间强制对齐会引入虚假结构到潜在空间中。本研究提出一种训练策略和架构修改以增强SSL对此类损坏的鲁棒性。它引入每个样本、每个因素的信任权重到对齐目标中，作为增益残差与基本对比损失共存。对信任权重施加停止梯度，而非乘法门。虽然乘法门是自然选择，但实验表明其会损害骨干网络，而我们的增益-残差方法则提升骨干网络性能。在200个epoch的协议下，该方法在EuroSAT、AID和NWPU-RESISC45上实现了六个骨干网络中最高的平均线性探针准确率(90.20%，分别较SimCLR的88.46%和VICReg的89.82%)。在EuroSAT上严重信息消除性损坏下，方法实现了最大提升(在s=5的雾霾上较SimCLR提升19.9分)。该方法还在使用BDD100K天气划分的零样本跨域压力测试中在马哈拉福斯AUROC上实现了+1至+3分的持续 gains。两个消融实验(标量不确定性和余弦门)表明增益-残差表述是这些提升的主要来源。一个采用Dempster-Shafer 融合的证据变体引入可解释的冲突与忽略信号。这发现为不确定性感知SSL提供了具体设计原则。代码已公开于https://github.com/WadiiBoulila/trust-ssl。
引用
@article{arxiv.2604.21349,
title = {Trust-SSL: Additive-Residual Selective Invariance for Robust Aerial Self-Supervised Learning},
author = {Wadii Boulila and Adel Ammar and Bilel Benjdira and Maha Driss},
journal= {arXiv preprint arXiv:2604.21349},
year = {2026}
}
备注
17 pages