面向遥感数据分类的领域自适应近期进展
计算机视觉与模式识别
2021-04-19 v1 图像与视频处理
摘要
在大地理区域或短时间间隔获取的遥感图像监督分类的成功，强烈依赖于用于训练分类算法和定义模型的样本代表性。当训练样本采集自不同于制图所用的图像(或空间区域)时，两分布间的光谱偏移很可能使模型失效。此类偏移通常源于采集与大气条件差异，或观测对象性质的变化。为设计对数据集偏移具有鲁棒性的分类方法，近期遥感文献已考虑基于领域自适应(DA)方法的解决方案。受机器学习文献启发，已提出若干 DA 方法以解决遥感数据分类中的特定问题。本文对遥感中 DA 的近期进展进行批判性综述，并概述分为四类的方法：i) 不变特征选择；ii) 表示匹配；iii) 分类器自适应；iv) 选择性采样。我们概述近期方法，并将所考虑技术应用于具有极高空间与光谱分辨率真实遥感图像的实例。最后，我们提出在真实应用场景中方法选择的指导准则。
引用
@article{arxiv.2104.07778,
title = {Recent Advances in Domain Adaptation for the Classification of Remote Sensing Data},
author = {Devis Tuia and Claudio Persello and Lorenzo Bruzzone},
journal= {arXiv preprint arXiv:2104.07778},
year = {2021}
}