基于自监督学习的遥感图像分类研究综述.docVIP

基于自监督学习的遥感图像分类研究综述

1引言

遥感图像分类作为遥感信息提取的核心任务，在国土空间规划、生态环境监测、灾害应急响应、农业估产等领域具有不可替代的应用价值。传统监督学习方法依赖大量人工标注的样本进行模型训练，然而遥感图像具有覆盖范围广、地物类型复杂、场景异质性强等特点，标注过程不仅需要专业的地学知识，还需要耗费大量的人力与时间成本，标注样本的稀缺性成为制约遥感图像分类精度提升的关键瓶颈。自监督学习（Self-SupervisedLearning,SSL）作为一种无需人工标注即可从海量无标签数据中学习通用特征表示的范式，为突破这一瓶颈提供了全新思路，近年来在遥感图像分类领域取得了一系列突破性进展。

2自监督学习基础范式与遥感适配性

自监督学习的核心思想是通过设计预训练任务（PretextTask），从数据本身构造监督信号，让模型学习数据的内在结构与通用特征，再通过微调（Fine-tuning）将预训练得到的特征迁移到下游分类任务中。主流自监督学习范式可分为三类，针对遥感图像的特性均发展出了适配的改进方向：

2.1基于生成式的自监督学习

生成式自监督学习以自动编码器（Autoencoder,AE）及其变体为代表，核心目标是让模型学习输入数据的重构能力，通过最小化输入与重构输出之间的误差来优化特征编码器。针对遥感图像多光谱、高光谱的特性，研究人员提出了多通道自适