自监督学习下小样本遥感图像场景分类
目的 卷积神经网络(convolutional neural network,CNN)在遥感场景图像分类中广泛应用,但缺乏训练数据依然是不容忽视的问题.小样本遥感场景分类是指模型只需利用少量样本训练即可完成遥感场景图像分类任务.虽然现有基于元学习的小样本遥感场景图像分类方法可以摆脱大数据训练的依赖,但模型的泛化能力依然较弱.为了解决这一问题,本文提出一种基于自监督学习的小样本遥感场景图像分类方法来增加模型的泛化能力.方法 本文方法分为两个阶段.首先,使用元学习训练老师网络直到收敛;然后,双学生网络和老师网络对同一个输入进行预测.老师网络的预测结果会通过蒸馏损失指导双学生网络的训练.另外,在图像特征进入分类器之前,自监督对比学习通过度量同类样本的类中心距离,使模型学习到更明确的类间边界.两种自监督机制能够使模型学习到更丰富的类间关系,从而提高模型的泛化能力.结果 本文在NWPU-RESISC45(North Western Poly-technical University-remote sensing image scene classification)、AID(aerial image dataset)和 UCMerced LandUse(UC mer-ced land use dataset)3个数据集上进行实验.在5-way 1-shot条件下,本文方法的精度在3个数据集上分别达到了72.72%±0.15%、68.62%±0.76%和 68.21%±0.65%,比 Relation Net*模型分别提高了 4.43%、1.93%和0.68%.随着可用标签的增加,本文方法的提升作用依然能够保持,在5-way 5-shot条件下,本文方法的精度比Relation Net*分别提高3.89%、2.99%和1.25%.结论 本文方法可以使模型学习到更丰富的类内类间关系,有效提升小样本遥感场景图像分类模型的泛化能力.
小样本学习、遥感场景分类、自监督学习、蒸馏学习、对比学习
27
TP391(计算技术、计算机技术)
国家青年科学基金项目;江苏省自然科学基金
2022-11-25(万方平台首次上网日期,不代表论文的发表时间)
共11页
3371-3381