.png){kind=icon}
返回
Relation-Consistency Group Contrastive Learning for Robust Multispectral Remote Sensing Classification
.png){kind=icon}
OA
AI
DOI：10.3390/technologies14080499.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多光谱遥感分类受益于可见光（VIS）、近红外（NIR）和短波红外（SWIR）Sentinel-2波段携带的互补信息，但大多数深度模型将它们处理为单个堆叠张量，而没有显式保留其组间关系。我们提出了关系一致性组对比学习（Group-CL-RC），一种面向鲁棒性的框架，结合了组级对比对齐以及基于紧凑的VIS–NIR–SWIR相似性描述符定义的关系一致性正则化项。该方法在EuroSAT All Bands数据集上使用四个骨干网络在辐射漂移、空间掩码、K-drop波段移除和复合光谱–空间损坏（CS2C）条件下进行评估，并在Sentinel-2-only的SEN12MS数据集上采用标准协议和季节性偏移协议进行外部验证。Group-CL-RC在保持强清洁性能的同时，相较于仅多光谱基线在统计上实现了鲁棒性提升，在K-drop和CS2C条件下改进最为显著。SEN12MS证实了这些鲁棒性趋势可迁移至EuroSAT之外，同时表明相较于标准Group-CL，性能提升仍与扰动相关。消融研究进一步表明，关系一致性是一种有效的鲁棒性机制，尤其是在光谱组可用性下降时。关系变形诊断显示，Group-CL-RC主要降低决策层对关系变形的敏感性，而非均匀最小化原始变形。总体而言，组间关系几何结构在受控的结构化光谱和光谱–空间降级条件下提供了可解释且有效的鲁棒性目标。
Keyword:
multispectral remote sensing
Sentinel-2
land-cover classification
contrastive learning
relation consistency
spectral robustness
spectral perturbation
external validation
期刊
T
IF:
3.6
论文数:
1.4K
被引数:
3.2K
机构
引用论文
Unsupervised Joint Contrastive Learning for Aerial Person Re-Identification and Remote Sensing Image Classification张, G.; 李, J.; 叶, Z. 无监督联合对比学习用于航空人员重识别和遥感图像分类. Remote Sens. 2024, 16, 422. [Google Scholar] [CrossRef]
PREAI
分享收藏Enhancing Semi-Supervised Semantic Segmentation of Remote Sensing Images via Feature Perturbation-Based Consistency Regularization Methods.png)
SensorsOAAI
SensorsIF0
OAAI分享收藏EuroSAT: A Novel Dataset and Deep Learning Benchmark for Land Use and Land Cover ClassificationEuroSAT: 用于土地利用和土地覆盖分类的新型数据集和深度学习基准
OAAI
OAAI分享收藏
查看更多内容