典型文献
自监督学习下小样本遥感图像场景分类
文献摘要：
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.
文献关键词：
小样本学习;遥感场景分类;自监督学习;蒸馏学习;对比学习
中图分类号：
作者姓名：
张睿;杨义鑫;李阳;王家宝;苗壮;李航;王梓祺
作者机构：
陆军工程大学指挥控制工程学院,南京 210007
文献出处：
引用格式：
[1]张睿;杨义鑫;李阳;王家宝;苗壮;李航;王梓祺-.自监督学习下小样本遥感图像场景分类)[J].中国图象图形学报,2022(11):3371-3381
A类：
UCMerced,LandUse
B类：
自监督学习,遥感图像场景分类,convolutional,neural,network,场景图像,图像分类,训练数据,遥感场景分类,指模,少量样本,样本训练,分类任务,元学习,分类方法,数据训练,泛化能力,学习训练,双学,学生网络,同一个,图像特征,分类器,自监督对比学习,学习通,类中心,中心距,模型学习,自监督机制,NWPU,RESISC45,North,Poly,technical,University,remote,sensing,image,scene,classification,AID,aerial,dataset,mer,land,use,way,shot,Relation,Net,提升作用,分类模型,小样本学习,蒸馏学习
AB值：
0.35763
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
