旋转不变遥感预训练模型

多角度重建增强鲁棒性

通过掩码多角度重建与旋转平均对比学习，模型能学习到对旋转变换鲁棒的表示，在多种下游任务中均表现出更高的准确性和鲁棒性。

Shanjuan, Chen · Yu, Yunlong · 李英明 · Zhao, Wang · Wu, Chao · 邓菲 · Han, Jungong

IEEE Transactions on Geoscience and Remote Sensing 2025

技术优势

像素级旋转不变

掩码多角度重建策略首次在多个旋转角度上重建被掩码图像，强制模型学习像素级旋转不变和纹理特征，提升对任意朝向地物的表示能力。

全局表征更鲁棒

利用旋转平均特征进行对比学习，有效抑制噪声，增强全局旋转不变表示的鲁棒性，使下游任务对旋转变化不敏感。

下游任务全面受益

在多个下游任务上的广泛实验表明，HRI 在旋转变化条件下，鲁棒性和准确率均优于现有方法，可直接提升遥感应用的可靠性。

应用场景

• 遥感图像分析：提供旋转不变的预训练特征，提升任意朝向地物的分析精度。
• 目标检测：旋转不变表示帮助检测器稳定识别不同朝向的车辆、舰船等目标。
• 场景分类：抑制旋转引发的特征扰动，提高复杂场景分类的鲁棒性。
• 语义分割：像素级旋转不变纹理增强模型对旋转地物轮廓的分割一致性。
• 遥感监测：在成像角度多变时，仍能保持对地物变化的稳定监测能力。