基于空地双视角图像证据融合的可信遥感场景分类

由于能够提供比单视角数据更全面的信息，多视角（多源、多模态、多透视等）数据在遥感任务中正被越来越频繁地使用。然而，随着视角数量增加，数据质量问题变得更加突出，限制了多视角数据的潜在益处。尽管近期基于深度神经网络（DNN）的模型能够自适应地学习数据权重，但在融合各视角时缺乏对每视角数据质量进行显式量化的研究，使得这些模型缺乏可解释性，在下游遥感任务中表现不佳且不够灵活。为填补这一空白，本文将证据深度学习引入空地双视角遥感场景分类任务以对各视角的可信度进行建模。具体而言，利用证据理论计算描述各视角决策风险的不确定性值。基于该不确定性，提出一种新颖的决策级融合策略，以确保风险较低的视角获得更大权重，使分类更为可信。在两个知名的公开空地双视角遥感图像数据集上，所提方法取得了当前最优结果，证明了其有效性。本文的代码与数据集可在以下地址获取：https://github.com/gaopiaoliang/Evidential。