Para resolver o problema da escassez de dados rotulados ao usar aprendizagem profunda para a extração e classificação de características de imagens de sensoriamento remoto, propõe-se um método simples de aprendizagem contrastiva baseado em um operador de predição assimétrico. Primeiro, a imagem de entrada é aumentada com flip horizontal, jitter de cor e conversão para escala de cinza, obtendo duas vistas correlacionadas da mesma imagem. Em seguida, elas são inseridas nas duas ramificações de uma rede siamesa para extração de características. Depois, as características são transformadas por meio do operador de predição assimétrico e a rede é otimizada maximizando a similaridade entre os dois tipos de características. Finalmente, os parâmetros da rede de extração de características são fixados, e um classificador linear é treinado para concluir a classificação das características. O fine-tuning foi realizado com 20% das amostras rotuladas em quatro conjuntos de dados públicos: NWPU-RESISC45, EuroSAT, UC Merced e SIRI-WHU, com precisão de classificação de 77,57%, 87,70%, 60,52% e 65,83%, respectivamente. O método proposto neste artigo é capaz de explorar plenamente características semânticas de alto nível em imagens de sensoriamento remoto sem usar rótulos de dados e apresenta desempenho superior ao modelo pré-treinado ImageNet supervisionado e ao método mais recente de aprendizagem contrastiva SimSiam quando se utiliza apenas uma pequena quantidade de amostras rotuladas.

aprendizagem contrastiva;imagens de sensoriamento remoto;extração de características;classificação de características;operador de predição assimétrico