⚠️ 以下所有内容总结都来自于 大语言模型的能力,如有错误,仅供参考,谨慎使用
🔴 请注意:千万不要用于严肃的学术场景,只能用于论文阅读前的初筛!
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ,还请您给我们一些鼓励!⭐️ HuggingFace免费体验
2025-05-16 更新
Predicting butterfly species presence from satellite imagery using soft contrastive regularisation
Authors:Thijs L van der Plas, Stephen Law, Michael JO Pocock
The growing demand for scalable biodiversity monitoring methods has fuelled interest in remote sensing data, due to its widespread availability and extensive coverage. Traditionally, the application of remote sensing to biodiversity research has focused on mapping and monitoring habitats, but with increasing availability of large-scale citizen-science wildlife observation data, recent methods have started to explore predicting multi-species presence directly from satellite images. This paper presents a new data set for predicting butterfly species presence from satellite data in the United Kingdom. We experimentally optimise a Resnet-based model to predict multi-species presence from 4-band satellite images, and find that this model especially outperforms the mean rate baseline for locations with high species biodiversity. To improve performance, we develop a soft, supervised contrastive regularisation loss that is tailored to probabilistic labels (such as species-presence data), and demonstrate that this improves prediction accuracy. In summary, our new data set and contrastive regularisation method contribute to the open challenge of accurately predicting species biodiversity from remote sensing data, which is key for efficient biodiversity monitoring.
随着对可扩展生物多样性监测方法的需求不断增长,由于遥感数据的广泛可用性和广泛覆盖,人们对遥感数据产生了兴趣。传统上,遥感在生物多样性研究中的应用主要集中在栖息地的地图绘制和监测上,但随着大规模公众参与的科学野生动物观察数据的不断增加,最近的方法开始探索直接从卫星图像预测多物种的存在。本文提出了一个数据集,用于从卫星数据中预测英国蝴蝶物种的存在。我们实验性地优化了基于Resnet的模型,用于从四波段卫星图像预测多物种的存在,发现该模型在物种生物多样性较高的地点尤其优于平均速率基线。为了提高性能,我们开发了一种针对概率标签(如物种存在数据)的软监督对比正则化损失,并证明这提高了预测准确性。总之,我们的新数据集和对比正则化方法对于准确从遥感数据预测物种生物多样性这一公开挑战做出了贡献,这对于有效的生物多样性监测至关重要。
论文及项目相关链接
PDF To be published in the 2025 CVPR FGVC12 workshop
Summary
本文介绍了利用遥感数据预测生物多样性需求增长的趋势。研究团队使用基于Resnet的模型,通过卫星图像预测蝴蝶物种的存在情况,并开发了一种针对概率标签的软监督对比正则化损失,以提高预测准确性。该研究为从遥感数据准确预测物种生物多样性提供了新数据集和方法,对高效生物多样性监测具有重要意义。
Key Takeaways
- 遥感数据因其广泛可用性和广泛覆盖性,在生物多样性监测方法中的需求不断增长。
- 传统遥感在生物多样性研究中的应用主要集中在地图制作和监测栖息地。
- 大规模公民科学野生动物观察数据的可用性促使了从卫星图像直接预测多物种存在的新方法。
- 研究团队使用基于Resnet的模型,成功预测蝴蝶物种在卫星图像中的存在情况。
- 对比研究结果显示,该模型在高物种多样性的地点表现出优于平均率的性能。
- 为提高预测准确性,研究团队开发了一种针对概率标签的软监督对比正则化损失。
点此查看论文截图




A Multi-Task Foundation Model for Wireless Channel Representation Using Contrastive and Masked Autoencoder Learning
Authors:Berkay Guler, Giovanni Geraci, Hamid Jafarkhani
Current applications of self-supervised learning to wireless channel representation often borrow paradigms developed for text and image processing, without fully addressing the unique characteristics and constraints of wireless communications. Aiming to fill this gap, we first propose WiMAE (Wireless Masked Autoencoder), a transformer-based encoder-decoder foundation model pretrained on a realistic open-source multi-antenna wireless channel dataset. Building upon this foundation, we develop ContraWiMAE, which enhances WiMAE by incorporating a contrastive learning objective alongside the reconstruction task in a unified multi-task framework. By warm-starting from pretrained WiMAE weights and generating positive pairs via noise injection, the contrastive component enables the model to capture both structural and discriminative features, enhancing representation quality beyond what reconstruction alone can achieve. Through extensive evaluation on unseen scenarios, we demonstrate the effectiveness of both approaches across multiple downstream tasks, with ContraWiMAE showing further improvements in linear separability and adaptability in diverse wireless environments. Comparative evaluations against a state-of-the-art wireless channel foundation model confirm the superior performance and data efficiency of our models, highlighting their potential as powerful baselines for future research in self-supervised wireless channel representation learning.
目前,自监督学习在无线信道表征中的应用往往借鉴了文本和图像处理的模式,并没有完全解决无线通信的独特特征和约束。为了填补这一空白,我们首先提出了WiMAE(无线掩码自动编码器),这是一个基于转换器的编码解码器基础模型,在真实开源的多天线无线信道数据集上进行预训练。在此基础上,我们开发了ContraWiMAE,它通过在一个统一的多任务框架中结合重建任务和对比学习任务来增强WiMAE的性能。通过从预训练的WiMAE权重进行预热,并通过噪声注入生成正对,对比组件使模型能够捕获结构和判别特征,提高表征质量,超越单纯重建所能实现的效果。通过对未见场景的大量评估,我们证明了两种方法在多个下游任务中的有效性,ContraWiMAE在线性可分离性和适应多种无线环境的适应性方面表现出进一步的改进。与最先进的无线信道基础模型的比较评估证实了我们的模型的优越性能和数据效率,突出了它们作为未来自监督无线信道表征学习研究的强大基准的潜力。
论文及项目相关链接
Summary
本文提出了针对无线信道表示的自监督学习方法。首先,研究团队提出了基于转换编码器和解码器的WiMAE模型,该模型在真实开源的多天线无线信道数据集上进行预训练。在此基础上,研究团队进一步开发了ContraWiMAE模型,该模型结合了对比学习任务和重建任务,形成统一的多任务框架。通过从预训练的WiMAE权重进行微调,并通过噪声注入生成正样本对,对比组件使模型能够捕捉结构和判别特征,提高表示质量。在未见场景上的广泛评估表明,这两种方法在多下游任务上的有效性,其中ContraWiMAE在线性可分离性和适应不同无线环境方面表现出进一步的改进。与最先进的无线信道基础模型的比较评估,突显了这两个模型的优越性能和数据效率,为未来自监督无线信道表示学习提供了有力的基线。
Key Takeaways
- 当前自监督学习在无线信道表示的应用中,主要借鉴了文本和图像处理的模式,并未完全解决无线通信的独特特性和约束。
- 研究团队提出了WiMAE模型,这是一个基于转换编码器和解码器的预训练模型,专门用于无线信道数据。
- ContraWiMAE模型是WiMAE的增强版,结合了对比学习任务和重建任务,在一个统一的多任务框架内提升表示学习质量。
- 对比学习通过生成正样本对和微调预训练权重,使模型能够捕捉结构和判别特征。
- 评估结果显示,WiMAE和ContraWiMAE在多种下游任务上表现优异,其中ContraWiMAE在适应不同无线环境方面表现出更高的线性可分离性和性能改进。
- 与现有无线信道基础模型的比较显示,WiMAE和ContraWiMAE具有优越的性能和数据效率。
点此查看论文截图

