Aprendizaje auto-supervisado asistido por geolocalización en imágenes de vista de calle para el análisis del uso del suelo urbano

El aprendizaje auto-supervisado (SSL) puede aprovechar plenamente la enorme cantidad de muestras no etiquetadas en los campos de la geociencia y la teledetección, reduciendo así significativamente el costo de anotación de datos requerido para modelos grandes. A diferencia de las etiquetas semánticas anotadas manualmente y costosas, la información de geolocalización de estas muestras no etiquetadas suele estar disponible de forma gratuita; sin embargo, no se ha utilizado de manera efectiva en los métodos convencionales de SSL. Este estudio tiene como objetivo explotar completamente la información de geolocalización inherente en las imágenes de vista de calle que son accesibles de forma gratuita a través de plataformas de mapas convencionales para mejorar el preentrenamiento auto-supervisado de modelos de clasificación de imágenes, mejorando así el rendimiento en la tarea posterior de análisis del uso del suelo urbano. Específicamente, en esta carta, se utiliza esta información de geolocalización junto con características de imagen obtenidas de SSL para filtrar muestras no etiquetadas y generar pseudo-etiquetas para ellas. Aprovechando estas muestras pseudo-etiquetadas de alta calidad, se propone una nueva estrategia de ajuste fino progresivo en dos etapas para optimizar la representación de características de SSL. El método es independiente de arquitecturas de modelo específicas y enfoques de SSL, demostrando generalizabilidad. Los resultados experimentales muestran que el método propuesto logra un rendimiento de vanguardia en tareas de análisis del uso del suelo urbano basadas en imágenes de vista de calle, como la identificación de zonas funcionales urbanas y la clasificación de objetos en el suelo urbano entre métodos basados en SSL y supera el enfoque convencional de transferencia supervisada de aprendizaje.