基于 GLRT 的遥感目标检索度量学习
计算机视觉与模式识别
2024-10-10 v1
摘要
随着遥感图像数量和质量的提升，基于内容的遥感目标检索（CBRSOR）已成为越来越重要的议题。然而，现有的 CBRSOR 方法在训练和测试阶段均未利用全局统计信息，导致神经网络对简单样本对的过拟合，以及度量性能次优。灵感来自 Neyman-Pearson 定理，我们提出了基于广义似然比检验的度量学习（GLRTML）方法，通过融合全局数据分布信息来估计样本对的相对难易性。在训练过程中，这引导网络更关注难以解决的样本，从而鼓励网络学习更具辨别力的特征嵌入。此外，由于利用了全局数据分布信息，GLRT 比传统度量空间更有效。准确估计嵌入分布对 GLRTML 至关重要。然而，在实际应用中，训练域与目标域之间常常存在分布迁移，这削弱了直接使用训练数据估计分布的效果。为此，我们提出了基于聚类伪标签的快速参数适应（CPLFPA）方法。CPLFPA 通过对目标域实例进行聚类，并为 GLRTML 重新估计分布参数，以有效估计目标域中嵌入的分布。我们基于细粒度船舶遥感图像切片（FGSRSI-23）和军用飞机识别（MAR20）数据集重新组织 CBRSOR 任务的数据。在这些数据集上的大量实验表明，我们提出的 GLRTML 和 CPLFPA 方法均有效。
引用
@article{arxiv.2410.05773,
title = {GLRT-Based Metric Learning for Remote Sensing Object Retrieval},
author = {Linping Zhang and Yu Liu and Xueqian Wang and Gang Li and You He},
journal= {arXiv preprint arXiv:2410.05773},
year = {2024}
}