无准确指导的学习：从低分辨率的历史标签更新大规模高分辨率土地覆盖地图
原文中文，约1100字，阅读约需3分钟。
📝
内容提要
本文介绍了一种基于深度神经网络的高分辨率遥感图像无监督地物分类方法，结合伪标注和样本选择以提高模型的转移性。同时，研究探讨了基于Transformer的弱监督方法和交互式查询模型框架，展示了在土地覆盖分类中的最新进展和效果。
❓
Q&A
高分辨率遥感图像的无监督地物分类方法是什么？
该方法利用深度神经网络，通过伪标注和样本选择来提高模型的转移性，实现像素级地物分类。
如何解决高分辨率标注数据缺乏的问题？
通过基于Transformer的弱监督方法，利用过时数据进行实验，取得了优于现有方法的效果。
交互式查询模型框架的功能是什么？
该框架允许人类标注者提供即时反馈，预测结果、选择数据标记并查看其对模型预测结果的影响。
AutoLC方法的优势是什么？
AutoLC结合了手动设计和自动设计的CNN，采用分层搜索空间和轻量级编码器策略，成功解决了土地覆盖分类问题。
卷积神经网络和基于Transformer的方法有什么比较？
研究探讨了两者在土地覆盖分类中的准确性和效率，当前Transformer模型在该领域取得了最先进的结果。
如何利用深度学习进行土地利用地图绘制？
通过使用地面图像和深度学习方法，结合地理位置和半监督数据增强，最终实现了76%的准确性。
🏷️
