据中国科学院航空航天信息研究所(AIR)称,已开发了一种新的基础模型,称为RingMo,以提高遥感图像解译的精度。
这项研究题为“RingMo:一个具有掩蔽图像建模的遥感基础模型”,发表在《IEEE地球科学与遥感学报》上。
遥感图像被应用于分类和变化检测等领域,深度学习方法促进了遥感图像判读的快速发展。最广泛使用的训练范例是使用ImageNet预训练模型为特定任务处理遥感数据。
然而,也存在一些问题,如自然和遥感场景之间的领域差距以及遥感模型的泛化能力差。因此,有必要开发一个具有通用遥感特征表示的基础模型。由于有大量未标记数据可用,自监督方法在遥感中优于完全监督方法。
该研究旨在提出一个遥感基础模型框架,该框架可以利用遥感图像生成自监督学习的优势。RingMo拥有一个大型数据集,通过从卫星和空中平台收集200万张遥感图像构建,覆盖了世界各地的多个场景和对象。此外,针对复杂遥感场景中的密集小目标,设计了遥感基础模型训练方法。
RingMo是第一个跨模态遥感数据的生成基础模型。未来,该模型可应用于三维重建、住宅建设、交通、水利、环保等领域。