基于可微神经架构搜索的 CNN 自动设计用于 PolSAR 图像分类
计算机视觉与模式识别
2020-12-16 v2
摘要
卷积神经网络（CNNs）因特征工程的自动化，在极化合成孔径雷达（PolSAR）图像分类中表现出良好性能。优秀的手工设计 CNN 架构融入了人类专家的智慧，这是 CNN 成功的重要原因。然而，架构设计是一个难题，需要大量专业知识与计算资源。此外，手工设计的架构可能并非最优，因为它只是数千条未被观测但客观存在的路径之一。考虑到深度学习的成功很大程度上源于其特征工程过程的自动化，如何设计自动架构搜索方法以替代手工设计是一个有趣课题。本文首次探索了神经架构搜索（NAS）在 PolSAR 领域的应用。不同于已有 NAS 方法的使用，我们提出了一种为 PolSAR 分类定制的可微架构搜索（DAS）方法。所提 DAS 配备了 PolSAR 专用搜索空间与改进的一次性搜索策略。通过 DAS，权重参数与架构参数（对应于超参数而非拓扑）可在训练中由随机梯度下降法优化。优化后的架构参数应转换为相应 CNN 架构并重新训练以实现高精度 PolSAR 分类。此外，开发了复值 DAS 以考虑 PolSAR 图像特性，从而进一步提升性能。在三个 PolSAR 基准数据集上的实验表明，搜索所得的 CNNs 比手工设计者具有更好的分类性能。
引用
@article{arxiv.1911.06993,
title = {Automatic Design of CNNs via Differentiable Neural Architecture Search for PolSAR Image Classification},
author = {Hongwei Dong and Siyu Zhang and Bin Zou and Lamei Zhang},
journal= {arXiv preprint arXiv:1911.06993},
year = {2020}
}