Self-supervised remote sensing feature learning: Learning Paradigms, Challenges, and Future Works

要約

ディープ ラーニングは、大量のリモート センシング画像 (RSI) から特徴を学習することに大きな成功を収めています。
特徴学習パラダイム (教師なし特徴学習 (USFL)、教師あり特徴学習 (SFL)、自己教師あり特徴学習 (SSFL) など) 間の関係をよりよく理解するために、このホワイト ペーパーでは、特徴学習シグナルの観点からそれらを分析および比較します。
、および統一された機能学習フレームワークを提供します。
この統一されたフレームワークの下で、タスクを理解する RSI の他の 2 つの学習パラダイムに対する SSFL の利点を分析し、事前トレーニング データセット、自己教師あり機能学習シグナル、および
評価方法。
さらに、学習した機能に対する SSFL 信号と事前トレーニング データの影響を分析して、RSI 機能の学習を改善するための洞察を提供します。
最後に、いくつかの未解決の問題と考えられる研究の方向性について簡単に説明します。

要約(オリジナル)

Deep learning has achieved great success in learning features from massive remote sensing images (RSIs). To better understand the connection between feature learning paradigms (e.g., unsupervised feature learning (USFL), supervised feature learning (SFL), and self-supervised feature learning (SSFL)), this paper analyzes and compares them from the perspective of feature learning signals, and gives a unified feature learning framework. Under this unified framework, we analyze the advantages of SSFL over the other two learning paradigms in RSIs understanding tasks and give a comprehensive review of the existing SSFL work in RS, including the pre-training dataset, self-supervised feature learning signals, and the evaluation methods. We further analyze the effect of SSFL signals and pre-training data on the learned features to provide insights for improving the RSI feature learning. Finally, we briefly discuss some open problems and possible research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google