基于交叉量化和样本校正的自监督遥感图像检索

摘要

自监督遥感图像检索模型由于标签缺失导致使用错误的样本对进行学习，从而产生抽样偏差，影响图像表征的准确性，为此提出一种基于交叉量化和样本校正的自监督遥感图像检索模型(CQSC)。首先，为了降低数据存储和处理负载，将传统对比学习中的映射层与乘积量化相结合，压缩高维图像数据，提高了检索效率；其次，使用交叉学习策略，最大化检索模型中特征映射前后的交叉相似性，增强模型的特征生成能力和检索精度；最后，针对自监督遥感图像检索中因标签缺失导致的抽样偏差，设计自适应纠错标签，标注训练样本，校正训练过程中存在的错误负样本。在UCMerced和EuroSAT数据集上进行了大量实验，结果表明：与PLSH方法相比，在UCMerced数据集上，所提方法mAP@20平均提升了2.52百分点；在EuroSAT数据集上取64 bits时，所提方法mAP@100提升了3.83百分点。

关键词

遥感图像检索 / 对比学习 / 乘积量化 / 交叉学习