GeoLifeCLEF 2024中面向多标签分类的瓦片压缩与嵌入方法
Tile Compression and Embeddings for Multi-Label Classification in GeoLifeCLEF 2024
AI总结：
本研究针对GeoLifeCLEF 2024的植物物种多标签分类任务，提出结合DCT频域压缩、LSH最近邻及tile2vec自监督嵌入的方法，结合地理特征取得了0.161的最佳成绩。
摘要：
我们与DS@GT团队合作，探索解决GeoLifeCLEF 2024竞赛提出的多标签分类任务的方法，该任务旨在利用时空遥感数据预测特定位置植物物种的存在与否。我们的方法通过离散余弦变换（DCT）使用频域系数来压缩和预计算卷积神经网络的原始输入数据。我们还研究了基于局部敏感哈希（LSH）的最近邻模型，用于预测并通过tile2vec辅助嵌入的自监督对比学习。我们的最佳竞赛模型利用了地理位置特征，排行榜得分为0.152，赛后最佳得分为0.161。源代码和模型可在https://github.com/dsgt-kaggle-clef/geolifeclef-2024获取。
英文摘要：
We explore methods to solve the multi-label classification task posed by the GeoLifeCLEF 2024 competition with the DS@GT team, which aims to predict the presence and absence of plant species at specific locations using spatial and temporal remote sensing data. Our approach uses frequency-domain coefficients via the Discrete Cosine Transform (DCT) to compress and pre-compute the raw input data for convolutional neural networks. We also investigate nearest neighborhood models via locality-sensitive hashing (LSH) for prediction and to aid in the self-supervised contrastive learning of embeddings through tile2vec. Our best competition model utilized geolocation features with a leaderboard score of 0.152 and a best post-competition score of 0.161. Source code and models are available at https://github.com/dsgt-kaggle-clef/geolifeclef-2024.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
