摘要

遥感与自动地球监测对于应对全球性挑战——如灾害预防、土地利用监测以及应对气候变化——至关重要。尽管目前存在海量的遥感数据，但其中绝大多数尚未标注，因而无法被监督学习算法有效利用。迁移学习方法可降低深度学习算法对数据量的需求，然而，现有大多数方法均在ImageNet数据集上进行预训练，由于遥感图像与自然图像之间存在显著的领域差异（domain gap），其在遥感图像上的泛化能力难以保证。本文提出一种名为“季节对比”（Seasonal Contrast, SeCo）的有效流程，旨在利用大量未标注数据，实现遥感表征在特定领域内的预训练。SeCo流程包含两个核心部分：第一，设计了一种系统化的方法，收集大规模、未标注且未经筛选的遥感数据集，涵盖多个地球地理位置、不同时间点获取的影像；第二，提出一种自监督学习算法，充分利用时间与空间位置的不变性（time and position invariance）特性，学习具有可迁移性的遥感图像表征。实验结果表明，采用SeCo流程训练的模型在多个下游任务中，性能显著优于在ImageNet上预训练的模型，以及当前最先进的自监督学习方法。为推动遥感领域的迁移学习研究，本文所构建的数据集与模型将全部公开发布，以促进该领域技术的快速进步与广泛应用。