面向跨域少样本遥感场景分类的特征变换
计算机视觉与模式识别
2022-03-07 v1
摘要
由于遥感成像空间分辨率不断提高以及遥感图像间存在较大差异，有效分类遥感场景仍具挑战。现有研究已大幅提升了遥感场景分类 (RSSC) 的性能。然而，这些方法不适用于跨域少样本问题，即目标域可用训练样本极少且与源域数据分布不同。为提升模型的适用性，本文提出特征级变换模块 (FTM)。FTM 通过带可忽略额外参数的极简仿射操作，将源域上学习的特征分布迁移至目标域的分布。此外，FTM 可在极少训练数据情形下于目标域上有效学习，且对特定网络结构无关。在 RSSC 与土地覆盖制图任务上的实验验证了其处理跨域少样本问题的能力。与直接微调相比，FTM 取得更优性能，并具备更好的可迁移性与细粒度判别力。\textit{代码将公开可用。}
引用
@article{arxiv.2203.02270,
title = {Feature Transformation for Cross-domain Few-shot Remote Sensing Scene Classification},
author = {Qiaoling Chen and Zhihao Chen and Wei Luo},
journal= {arXiv preprint arXiv:2203.02270},
year = {2022}
}
备注
6 pages, 5 figures