シーズンごとのコントラスト：未整備リモートセンシングデータからの教師なし事前学習

リモートセンシングおよび自動地球観測は、災害予防、土地利用モニタリング、気候変動対策といったグローバルスケールの課題解決に不可欠である。現在、膨大なリモートセンシングデータが存在するものの、その大部分はラベル付けされておらず、従来の教師あり学習アルゴリズムでは活用が困難である。トランスファー学習アプローチは、ディープラーニングアルゴリズムのデータ要件を低減する可能性を有している。しかし、多数の手法はImageNet上で事前学習されているため、リモートセンシング画像とのドメインギャップにより、その一般化能力は保証されない。本研究では、ドメイン内でのリモートセンシング表現の事前学習に向け、ラベルなしデータを有効に活用するための効果的なパイプライン「Seasonal Contrast（SeCo）」を提案する。SeCoパイプラインは、以下の2つの構成要素からなる。第一に、複数の地球上の地点、異なる時系列における画像を含む大規模かつラベルなし・未整備なリモートセンシングデータセットを体系的に収集するプロセス。第二に、時系列的・位置的不変性を活用した自己教師学習アルゴリズムにより、リモートセンシング応用に適した転移可能な表現を学習する。実証的に、SeCoで訓練されたモデルは、ImageNet事前学習モデルおよび最先端の自己教師学習手法と比較して、複数の下流タスクにおいて優れた性能を達成することを示した。SeCoに用いられるデータセットおよびモデルは公開される予定であり、リモートセンシング分野におけるトランスファー学習の促進と、迅速な技術進展を実現するものである。