論文の概要: Rank-based Geographical Regularization: Revisiting Contrastive Self-Supervised Learning for Multispectral Remote Sensing Imagery

• arxiv url: http://arxiv.org/abs/2601.02289v1
• Date: Mon, 05 Jan 2026 17:24:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.320421
• Title: Rank-based Geographical Regularization: Revisiting Contrastive Self-Supervised Learning for Multispectral Remote Sensing Imagery
• Title（参考訳）: ランクに基づく地理的規則化:マルチスペクトルリモートセンシング画像におけるコントラスト学習の再検討
• Authors: Tom Burgert, Leonard Hackel, Paolo Rota, Begüm Demir,
• Abstract要約: 自己教師付き学習(SSL)は、大規模でラベルなしのデータセットから学ぶための強力なパラダイムになっています。 SSLをマルチスペクトルリモートセンシング(RS)画像に適用することは、データの地理的および時間的変動による固有の課題と機会を示す。 従来の手法を改良した対照的なSSLの新しい正規化手法であるGeoRankを紹介する。
• 参考スコア（独自算出の注目度）: 10.20881592893918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning (SSL) has become a powerful paradigm for learning from large, unlabeled datasets, particularly in computer vision (CV). However, applying SSL to multispectral remote sensing (RS) images presents unique challenges and opportunities due to the geographical and temporal variability of the data. In this paper, we introduce GeoRank, a novel regularization method for contrastive SSL that improves upon prior techniques by directly optimizing spherical distances to embed geographical relationships into the learned feature space. GeoRank outperforms or matches prior methods that integrate geographical metadata and consistently improves diverse contrastive SSL algorithms (e.g., BYOL, DINO). Beyond this, we present a systematic investigation of key adaptations of contrastive SSL for multispectral RS images, including the effectiveness of data augmentations, the impact of dataset cardinality and image size on performance, and the task dependency of temporal views. Code is available at https://github.com/tomburgert/georank.
• Abstract（参考訳）: 自己教師付き学習(SSL)は、特にコンピュータビジョン(CV)において、大規模でラベルのないデータセットから学習するための強力なパラダイムとなっている。 しかし、マルチスペクトルリモートセンシング(RS)画像へのSSLの適用は、データの地理的および時間的変動による固有の課題と機会を示す。 本稿では,従来の手法を改良し,球面距離を直接最適化し,学習した特徴空間に地理的関係を埋め込む,新しいコントラッシブSSLの正規化手法であるGeoRankを紹介する。 GeoRankは、地理的メタデータを統合し、さまざまなコントラストのあるSSLアルゴリズム(例えば、BYOL、DINO)を一貫して改善する以前のメソッドよりも優れているか、あるいは同等である。 さらに、データ拡張の有効性、データセットの濃度と画像サイズがパフォーマンスに与える影響、時間的ビューのタスク依存性など、マルチスペクトルRS画像に対するコントラッシブSSLの重要な適応について体系的に検討する。 コードはhttps://github.com/tomburgert/georank.comから入手できる。

関連論文リスト

• VG-SSL: Benchmarking Self-supervised Representation Learning Approaches for Visual Geo-localization [7.689824252319191]
  本稿では,VGにおける表現学習のための多様なSSLメソッドの汎用的な統合とベンチマークのために設計された,新しいVG-SSLフレームワークを提案する。 我々は、ロボット工学や自動運転車で使用される手持ちカメラや車載カメラのデータセットのVGを改善するためにSSL技術を適用します。 その結果, 比較学習と情報手法は, 最先端のVG技術の性能に適合するか, あるいは超越しているか, より優れた地形特化表現品質をもたらすことがわかった。
  論文  参考訳（メタデータ） (2023-07-31T19:03:13Z)
• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• De-coupling and De-positioning Dense Self-supervised Learning [65.56679416475943]
  Dense Self-Supervised Learning (SSL)メソッドは、複数のオブジェクトでイメージを処理する際に、画像レベルの特徴表現を使用する際の制限に対処する。 本研究は, 層深度やゼロパディングに伴う受容野の増大によって生じる, 結合と位置バイアスに悩まされていることを示す。 我々はCOCOにおける本手法の利点と、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出のための新しい挑戦的ベンチマークであるOpenImage-MINIについて示す。
  論文  参考訳（メタデータ） (2023-03-29T18:07:25Z)
• Self-Supervised Learning with Kernel Dependence Maximization [23.618292038419654]
  我々はHilbert-Schmidt Independence Criterion (SSL-HSIC)による自己指導型学習を提案する。 SSL-HSICは、画像の変換されたバージョンの表現とイメージアイデンティティの依存関係を最大化する。 この自己教師型学習フレームワークは、異なる変換間の相互情報(MI)の変動的下限であるInfoNCEを新たに理解する。
  論文  参考訳（メタデータ） (2021-06-15T17:51:16Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)
• Geography-Aware Self-Supervised Learning [79.4009241781968]
  異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。 本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-11-19T17:29:13Z)
• Remote Sensing Image Scene Classification with Self-Supervised Paradigm under Limited Labeled Samples [11.025191332244919]
  我々は,大規模なラベル付きデータからRSIシーン分類のための高性能事前学習モデルを得るために,新たな自己教師付き学習(SSL)機構を導入する。 一般的な3つのRSIシーン分類データセットの実験により、この新たな学習パラダイムは、従来の支配的なImageNet事前学習モデルよりも優れていることが示された。 我々の研究から得られた知見は、リモートセンシングコミュニティにおけるSSLの発展を促進するのに役立ちます。
  論文  参考訳（メタデータ） (2020-10-02T09:27:19Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。