基于双对比网络的少样本遥感图像场景分类
计算机视觉与模式识别
2026-03-25 v1
摘要
少样本遥感图像场景分类（FS-RSISC）旨在使用仅少量标记样本对遥感图像进行分类。主要挑战在于类间变异小和类内变异大，这些是遥感图像的固有属性。为此，我们提出一种基于迁移学习的双对比网络（DCN），在训练过程中融入两个辅助的监督对比学习分支。具体而言，一个是上下文引导的对比学习（CCL）分支，另一个是细节引导的对比学习（DCL）分支，分别聚焦于类间判别性和类内不变性。CCL分支中，我们首先设计了一个紧凑网络以捕获上下文特征，然后在获取到的上下文特征上进行监督对比学习，以促进模型学习更具判别性的特征。在DCL分支中，设计了一个熔炉网络以突出显著的局部细节信息。随后我们在细节特征图上构建监督对比学习，以充分利用每个图中的空间信息，使模型能够集中注意力于不变的细节特征。广泛的实验在四个公开遥感基准数据集上表明，我们提出的DCN具有竞争的性能。
引用
@article{arxiv.2603.23161,
title = {Dual Contrastive Network for Few-Shot Remote Sensing Image Scene Classification},
author = {Zhong Ji and Liyuan Hou and Xuan Wang and Gang Wang and Yanwei Pang},
journal= {arXiv preprint arXiv:2603.23161},
year = {2026}
}