.png){kind=icon}
返回
CoGLoR: Collaborative Global–Local Representation Learning for Remote Sensing Scene Classification
.png){kind=icon}
OA
AI
DOI：10.3390/rs18193281.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自监督学习为减少遥感场景分类中对人工标注的依赖提供了一种有效途径。然而，现有的自监督方法通常强调全局语义不变性或局部结构建模，而全局场景上下文与局部块级表示之间的交互仍缺乏充分探索。这一局限性对遥感图像尤为重要，因为其场景类别通常由整体空间布局和精细粒度局部对象共同决定。为解决此问题，我们提出了CoGLoR，一种用于自监督遥感场景分类的协同全局-局部表示学习框架。所提出的框架在统一的训练流程中联合整合了全局对比学习、掩码重建和对比块级注意力匹配。对比分支学习增强视图间的场景级语义一致性，而重建分支通过重建掩码块鼓励编码器保留局部结构细节。C-PAM用硬top-K、多正特征邻域替换固定空间索引，并将所选邻域与批次级候选进行对比。所选特征被视为学习到的邻域而非验证的语义对应关系。在AID、UCMerced Land Use和NWPU-RESISC45上的实验表明，CoGLoR在线性探测和低标签评估协议下优于代表性的对比学习、掩码建模和混合自监督基线。ResNet-50的匹配比较支持方法级评估；检索图展示了余弦排序行为；ViT-S/16实验测试了骨干网络的迁移性；资源表量化了预训练开销。外部预训练方法仅作为背景参考包含在内。
Keyword:
self-supervised learning
remote sensing scene classification
contrastive learning
masked image modeling
期刊
IF:
4.1
论文数:
7.4K
被引数:
15.1W
机构
暂无机构信息
引用论文
分享收藏Netart Implementation Using Visualization of Image Color Data范德·迈滕, L.; 希顿, G. 利用t-SNE可视化数据. 机器学习研究杂志, 2008, 9, 2579–2605. [Google Scholar] [CrossRef] [Scilit]
PREAI
分享收藏Contrastive Masked Feature Modeling for Self-Supervised Representation Learning of High-Resolution Remote Sensing Images对比掩码特征建模用于高分辨率遥感图像的自监督表示学习.png)
Remote SensingOAAI
Remote SensingIF4.1
OAAI分享收藏Time-Series InSAR Monitoring of Permafrost-Related Surface Deformation at Tiksi Airport: Impacts of Climate Warming and Coastal Erosion on the Northernmost Siberian Mainland蒂ksi机场多年冻土相关地表形变的时序InSAR监测：气候变暖和海岸侵蚀对西伯利亚大陆最北端的影响REMOTE SENSINGOAAI
REMOTE SENSINGIF4.1
OAAI分享收藏
查看更多内容