卫星图像的变化感知采样和对比学习数据集(CACo1M)

自动遥感工具可以帮助应对许多大规模挑战，例如灾害管理、气候变化等。虽然大量的时空卫星图像数据很容易获得，但其中大部分仍未标记。如果没有标签，这些数据对于监督式学习算法不是很有用。相反，自我监督学习提供了一种无需标签即可学习各种下游任务的有效表示的方法。在这项工作中，我们利用卫星图像独有的特性来学习更好的自我监督特征。具体来说，我们使用时间信号来对比具有长期和短期差异的图像，并利用卫星图像不经常变化的事实。利用这些特征，我们制定了一种新的损失对比损失，称为变化感知对比损失。此外，我们还提出了一种对不同地理区域进行采样的新方法。我们表明，利用这些属性可以在各种下游任务上获得更好的性能。