用于遥感场景表示的深度模型与伪类端到端联合无监督学习
计算机视觉与模式识别
2019-03-19 v1
摘要
本研究开发了一种基于卷积神经网络（CNN）并结合伪类的新型端到端深度无监督学习方法，用于遥感场景表示。首先，我们引入中心点作为伪类的中心，训练样本可基于中心点分配伪标签。因此，用于从场景中提取特征的 CNN 模型可利用伪标签进行有监督训练。此外，我们提出了伪中心损失以减小样本与对应伪中心点之间的方差。伪中心损失十分重要，因为它可在训练过程中同时用训练样本更新中心点并用中心点更新 CNN 模型。最后，我们开发了伪中心损失与基于样本和伪标签构建的伪 softmax 损失的联合学习，用于无监督遥感场景表示，以从场景中获得判别性表示。我们在两个常用遥感场景数据集上进行了实验以验证所提方法的有效性，实验结果表明相较于其他最先进（state-of-the-art）方法，所提方法具有优越性。
引用
@article{arxiv.1903.07224,
title = {An End-to-End Joint Unsupervised Learning of Deep Model and Pseudo-Classes for Remote Sensing Scene Representation},
author = {Zhiqiang Gong and Ping Zhong and Weidong Hu and Fang Liu and Bingwei Hui},
journal= {arXiv preprint arXiv:1903.07224},
year = {2019}
}
备注
Submitted to IJCNN 2019