用于极化合成孔径雷达图像分类的主动集成深度学习
计算机视觉与模式识别
2021-09-08 v1 机器学习
摘要
尽管深度学习在图像分类任务中已取得巨大成功，其性能仍受限于训练样本的数量与质量。对于极化合成孔径雷达（PolSAR）图像分类，几乎不可能通过视觉解译来标注图像。因此，遥感科学家迫切需要在极少训练样本条件下发展 PolSAR 图像分类的新技术。在本文中，我们利用主动学习的优势，提出用于 PolSAR 图像分类的主动集成深度学习（AEDL）。我们首先展示，一个深度学习模型在收敛附近的快照中，仅有 35% 的预测标签完全一致。快照间的不一致不可忽略。从多视图学习的视角，这些快照共同构成了一个良好的委员会以评估未标注样本的重要性。利用快照委员会给出未标注数据的信息量，所提出的 AEDL 在两张真实 PolSAR 图像上相比标准主动学习策略取得了更优性能。在 Flevoland 数据集上，相比打破平局主动学习与随机选取，它仅使用 86% 和 55% 的训练样本便达到了相同的分类精度。
引用
@article{arxiv.2006.15771,
title = {Active Ensemble Deep Learning for Polarimetric Synthetic Aperture Radar Image Classification},
author = {Sheng-Jie Liu and Haowen Luo and Qian Shi},
journal= {arXiv preprint arXiv:2006.15771},
year = {2021}
}
备注
Accepted by GRSL