遥感场景分类中我们是否仍需要ImageNet预训练？
计算机视觉与模式识别
2022-05-26 v3
摘要
由于标注数据稀缺，使用在ImageNet上预训练的监督模型是遥感场景分类中的事实标准。近来，更大规模高分辨率遥感（HRRS）图像数据集的可用性与自监督学习的进展引发了如下问题：对于遥感场景分类，监督ImageNet预训练是否仍然必要，以及在HRRS图像数据集上的监督预训练或在ImageNet上的自监督预训练是否会在目标遥感场景分类任务上取得更好结果。为回答这些问题，本文中我们既从头训练模型，也在多个HRRS图像数据集上微调监督和自监督ImageNet模型。我们还评估了所学表征对HRRS场景分类任务的迁移能力，并表明自监督预训练优于监督预训练，而HRRS预训练的性能与自监督预训练相似或略低。最后，我们提出使用ImageNet预训练模型结合第二轮使用域内HRRS图像的预训练，即域自适应预训练。实验结果表明，域自适应预训练得到的模型在HRRS场景分类基准上取得了最先进（SOTA）结果。源代码与预训练模型可在 https://github.com/risojevicv/RSSC-transfer 获取。
引用
@article{arxiv.2111.03690,
title = {Do we still need ImageNet pre-training in remote sensing scene classification?},
author = {Vladimir Risojević and Vladan Stojnić},
journal= {arXiv preprint arXiv:2111.03690},
year = {2022}
}