面向光学遥感场景分类的层次化度量学习
计算机视觉与模式识别
2018-08-03 v3
摘要
我们基于层次化度量学习的范式，解决从光学遥感（RS）图像中进行场景分类的问题。理想情况下，有监督度量学习策略从一组训练数据点学习一个投影，以最小化类内方差，同时最大化类间在类别标签空间中的可分离性。然而，标准的度量学习技术在学习变换矩阵时并未纳入类别交互信息，这在处理细粒度视觉类别时常被视为一个瓶颈。作为补救措施，我们提出通过探索类别间的视觉相似性，以层次化的方式组织类别，并随后为树的非叶节点上存在的类别学习各自的距离度量变换。我们采用迭代最大间隔聚类策略来获得类别的层次化组织。在大规模 NWPU-RESISC45 和流行的 UC-Merced 数据集上获得的实验结果表明，与标准方法相比，所提出的基于层次化度量学习的遥感场景识别策略是有效的。
引用
@article{arxiv.1708.01494,
title = {Hierarchical Metric Learning for Optical Remote Sensing Scene Categorization},
author = {Akashdeep Goel and Biplab Banerjee and Aleksandra Pizurica},
journal= {arXiv preprint arXiv:1708.01494},
year = {2018}
}
备注
Undergoing revision in GRSL