基于多源协同域泛化的跨场景遥感图像分类
计算机视觉与模式识别
2024-12-06 v1 机器学习
摘要
跨场景图像分类旨在将地面材料的先验知识传递到具有不同分布的区域，从而减少遥感领域中的手工制作成本。然而，现有方法侧重于单源域泛化以适应未知目标域，由于训练信息有限和表征容量不足，容易受现实世界大尺度域迁移的干扰。为此，我们提出一种新型的多源协同域泛化框架（MS-CDG），基于多源遥感数据的均匀性和非均匀性特征，同时考虑数据感知的对抗性数据增强和模型感知的多层次多样化，以提升跨场景泛化性能。数据感知的对抗性数据增强采用带语义引导的对抗神经网络，通过自适应学习跨域的信道和分布变化来生成MS样本。在跨域和内域建模视角下，模型感知的多样化将MS数据的共享空间-信道特征转化为类别-wise原型和核混合模块，以解决域间差异并有效聚类不同类别。最后，通过引入分布一致性对齐，对原始和增强的MS样本进行联合分类，以增加模型多样性并确保更好的域无关表征学习。在三个公开的MS遥感数据集上进行的大量实验表明，所提方法在与当前方法进行基准比较时表现出优越性能。
引用
@article{arxiv.2412.03897,
title = {Multisource Collaborative Domain Generalization for Cross-Scene Remote Sensing Image Classification},
author = {Zhu Han and Ce Zhang and Lianru Gao and Zhiqiang Zeng and Michael K. Ng and Bing Zhang and Jocelyn Chanussot},
journal= {arXiv preprint arXiv:2412.03897},
year = {2024}
}