面向小样本遥感图像分类的自适应多尺度相关元网络
计算机视觉与模式识别
2026-01-21 v1 机器学习
摘要
遥感中的小样本学习仍面临三大挑战：标注数据稀缺、显著的域偏移以及地理空间对象的多尺度特性。为解决这些问题，我们提出了自适应多尺度相关元网络（AMC-MetaNet），这是一个轻量级但功能强大的框架，包含三项关键创新：(i) 用于捕获尺度不变模式的相关引导特征金字塔，(ii) 用于学习动态跨尺度关系的自适应通道相关模块（ACCM），以及 (iii) 利用相关模式而非传统原型平均的相关引导元学习。与依赖大型预训练模型或Transformer的先前方法不同，AMC-MetaNet 从零开始训练，仅含约60万个参数，比 ResNet-18 少20倍，同时保持高效率（每张图像推理时间小于50毫秒）。在包括 EuroSAT、NWPU-RESISC45、UC Merced Land Use 和 AID 在内的多种遥感数据集上，AMC-MetaNet 在 5-way 5-shot 分类任务中准确率高达 86.65%。我们的结果确立了 AMC-MetaNet 作为一个计算高效、尺度感知的框架，适用于现实世界的小样本遥感任务。
引用
@article{arxiv.2601.12308,
title = {Adaptive Multi-Scale Correlation Meta-Network for Few-Shot Remote Sensing Image Classification},
author = {Anurag Kaushish and Ayan Sar and Sampurna Roy and Sudeshna Chakraborty and Prashant Trivedi and Tanupriya Choudhury and Kanav Gupta},
journal= {arXiv preprint arXiv:2601.12308},
year = {2026}
}
备注
Accepted in IEEE ICASSP 2026