.png){kind=icon}
返回
Automatic Weight Allocation: optimizing remote sensing image retrieval from contrastive learning perspective
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-025-01824-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统监督学习方法在高分辨率遥感图像检索中取得了显著性能，但受限于对大规模标注图像的依赖。对比学习可以利用无标注图像学习强大的视觉特征，在许多无监督任务中展现出潜力。此外，哈希算法凭借其在效率和存储方面的优势，在图像检索领域显示出巨大潜力。因此，我们提出了基于自动权重分配的对比哈希框架。该框架采用两阶段训练策略。在特征学习阶段，我们提出了自动加权对比损失（AWCLoss）。它整合了高斯加权与动态调整策略来改进损失函数，使模型能够关注样本的区分度和重要性。高斯加权根据样本对的相似性分配不同权重值，增强关键样本对的学习。同时，动态调整策略设定阈值识别困难负样本，并通过调整权重值削弱模型受其干扰。在哈希学习阶段，网络末端添加哈希层，将高维表征转换为哈希码。引入量化损失学习哈希码，以使数据间的语义相似结构在汉明空间中得到保持。此外，AWCLoss被用于增强哈希码的判别能力。在三个遥感数据集UCM、AID和NWPU-RESISC45上的广泛实验表明，我们的方法在遥感图像检索中具有显著优势。我们的源代码可在https://github.com/WANGSJ77/AWCH获取。
Keyword:
Remote sensing image retrieval
Contrastive learning
Unsupervised hashing
Weight allocation
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
Locality Preserving Multiview Graph Hashing For Large Scale Remote Sensing Image Search.png)
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏
Task-specific contrastive learning for few-shot remote sensing image scene classification任务特定的对比学习在少镜头遥感图像场景分类中的应用
PREAI
分享收藏Self-supervised graph clustering via attention auto-encoder with distribution specificityMULTIMEDIA SYSTEMS
MULTIMEDIA SYSTEMSIF3.1
PREAI
分享收藏分享收藏
查看更多内容