遥感影像中的细粒度目标识别与零样本学习
计算机视觉与模式识别
2017-12-12 v1
摘要
细粒度目标识别旨在从大量子类中识别对象类型，随着图像数据分辨率提高暴露出新细节，该应用正新兴发展。传统全监督算法难以处理此问题：感兴趣类别样本量小、类间方差低而类内方差高。我们研究了一种更极端的场景，称为零样本学习（ZSL），其中部分类别无任何训练样本。ZSL 旨在通过将被识别新类别与先前已见类别相关联，为其构建识别模型。我们通过使用可见类的训练样本，学习由卷积神经网络提取的图像特征与描述感兴趣类别语义的辅助信息之间的兼容性函数，从而建立该关联。随后，我们展示在推断过程中通过最大化此函数如何实现未见类的知识迁移。我们引入了一个包含 1 英尺空间分辨率航拍数据中 40 种不同行道树的数据集，并以人工标注属性、自然语言模型与科学分类法作为辅助信息评估该模型性能。实验表明，所提模型对无训练样本类别的识别准确率达 14.3%，显著优于 16 个测试类上 6.3% 的随机猜测精度以及另外三种 ZSL 算法。
引用
@article{arxiv.1712.03323,
title = {Fine-Grained Object Recognition and Zero-Shot Learning in Remote Sensing Imagery},
author = {Gencer Sumbul and Ramazan Gokberk Cinbis and Selim Aksoy},
journal= {arXiv preprint arXiv:1712.03323},
year = {2017}
}
备注
G. Sumbul, R. G. Cinbis, S. Aksoy, "Fine-Grained Object Recognition and Zero-Shot Learning in Remote Sensing Imagery", IEEE Transactions on Geoscience and Remote Sensing (TGRS), in press, 2017