One to Two, Two to All: Towards Multimodal Self-supervised Learning for Earth Observation

Wang, Yi

Yi Wang

Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link

Originaltitel:: One to Two, Two to All: Towards Multimodal Self-supervised Learning for Earth Observation
Übersetzter Titel:: Von Eins zu Zwei, von Zwei zu Allen: Hin zu multimodalem selbstüberwachtem Lernen für die Erdbeobachtung
Autor:: Wang, Yi
Jahr:: 2025
Dokumenttyp:: Dissertation
Fakultät/School:: TUM School of Engineering and Design
Institution:: Data Science in Earth Observation (Prof. Zhu)
Betreuer:: Zhu, Xiaoxiang (Prof. Dr. habil.)
Gutachter:: Zhu, Xiaoxiang (Prof. Dr. habil.); Chanussot, Jocelyn (Prof. Dr.); Papoutsis, Ioannis (Prof. Dr.)
Sprache:: en
Fachgebiet:: GEO Geowissenschaften
TU-Systematik:: BAU 967; MSR 915
Kurzfassung:: This dissertation investigates self-supervised techniques to learn generic representations from large-scale, unlabeled Earth observation (EO) data. With a focus on the multimodal nature of EO sensors, it curates a large-scale dataset and benchmark for pretraining and develops both modality-specific and joint multimodal self-supervised approaches for EO representation learning.
Übersetzte Kurzfassung:: Diese Dissertation untersucht selbstüberwachte Techniken zur Erlernung generalisierbarer Repräsentationen aus großflächigen, unbeschrifteten Erdbeobachtungsdaten (EO). Mit einem Fokus auf die multimodale Natur der EO-Sensoren wird ein umfassendes Datenset und Benchmark für das Pretraining erstellt und sowohl modalitätsspezifische als auch integrierte multimodale selbstüberwachte Ansätze für das Lernen von EO-Repräsentationen entwickelt.
WWW:: https://mediatum.ub.tum.de/?id=1760304
Eingereicht am:: 11.11.2024
Mündliche Prüfung:: 19.09.2025
Dateigröße:: 33325592 bytes
Seiten:: 215
Urn (Zitierfähige URL):: https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20250919-1760304-0-4
Veröffentlicht am:: 14.11.2025
BibTeX