DML-GANR：用于高空间分辨率遥感图像检索的带生成对抗网络正则化的深度度量学习
计算机视觉与模式识别
2020-12-30 v1 最优化与控制
摘要
使用少量有标签样本进行训练可以节省大量人力物力，尤其是当高空间分辨率遥感图像（HSR-RSI）数量大幅增加之时。然而，许多深度模型在使用少量有标签样本时面临过拟合问题。这可能会降低 HSR-RSI 检索精度。为在少量训练样本下获得更准确的 HSR-RSI 检索性能，我们提出了一种带生成对抗网络正则化的深度度量学习（DML-GANR）方法用于 HSR-RSI 检索。DML-GANR 从高阶特征提取（HFE）开始以提取高阶特征，其中包括卷积层和全连接（FC）层。每个 FC 层由深度度量学习（DML）构建，以最大化类间差异并最小化类内差异。采用生成对抗网络（GAN）来缓解过拟合问题并验证所提取高阶特征的质量。DML-GANR 通过定制方法优化，并获得最优参数。在三个数据集上的实验结果证明了 DML-GANR 相对于最先进技术在 HSR-RSI 检索中的优越性能。
引用
@article{arxiv.2010.03116,
title = {DML-GANR: Deep Metric Learning With Generative Adversarial Network Regularization for High Spatial Resolution Remote Sensing Image Retrieval},
author = {Yun Cao and Yuebin Wang and Junhuan Peng and Liqiang Zhang and Linlin Xu and Kai Yan and Lihua Li},
journal= {arXiv preprint arXiv:2010.03116},
year = {2020}
}
备注
17 pages