A General Self-Supervised Framework for Remote Sensing Image Classification

doi:10.3390/rs14194824

A General Self-Supervised Framework for Remote Sensing Image Classification

2022-09-27

0

OA

AI

DOI：10.3390/rs14194824

原文链接

原文求助

摘要

En 中文

本文提供了超越简单结合自监督学习（SSL）与遥感（RS）的解读。受SSL在自然图像理解中带来的改进表征能力的启发，我们旨在探索和分析SSL与遥感的兼容性。具体而言，我们首次提出了一种自监督预训练框架，通过将掩码图像建模（MIM）方法应用于RS图像研究，以增强其有效性。MIM所使用的补全代理任务促使模型重建掩码块，从而在语义上将未见部分与可见部分关联起来。其次，为了弄清预文本任务如何影响下游性能，我们发现预训练模型和下游任务对代理任务和分类目标的归因共识，这与自然图像理解中的情况显著不同。此外，这种可转移的共识在跨数据集的全量或部分微调中保持持续，这意味着SSL能够超越领域偏差和任务偏差（如分类、分割和检测）来提升通用的无模型表征。最后，在三个公开可访问的RS场景分类数据集上，我们的方法在无标签数据集上以更高的准确率得分超越了大多数全监督下的最新技术（SOTA）方法。

A General Self-Supervised Framework for Remote Sensing Image Classification

摘要

期刊

机构

引用论文