面向卫星影像开放集土地覆盖分类的代表性-判别性学习
计算机视觉与模式识别
2020-07-22 v1
摘要
卫星影像的土地覆盖分类是分析地球表面的重要步骤。现有模型假设闭集设定，即训练与测试类别属于同一标签集。然而，由于卫星影像具有极其广阔区域中多种覆盖材料的独特性质，训练数据必然不具代表性。本文研究开放集土地覆盖分类问题，即在测试时识别属于未知类别的样本，同时在已知类别上保持性能。尽管本质上是一个分类问题，但为了更好区分未知类与已知类，需要同时利用数据的代表性与判别性两方面。我们提出代表性-判别性开放集识别（RDOSR）框架，其 1）将原始图像空间的数据投影到有助于区分相似类的嵌入特征空间，并进一步 2）通过转换到所谓丰度空间来增强代表性与判别性能力。在多个卫星基准上的实验证明了所提方法的有效性。我们还通过在开放集分类任务上使用 RGB 图像取得有前景的结果，展示了所提方法的通用性。
引用
@article{arxiv.2007.10891,
title = {Representative-Discriminative Learning for Open-set Land Cover Classification of Satellite Imagery},
author = {Razieh Kaviani Baghbaderani and Ying Qu and Hairong Qi and Craig Stutts},
journal= {arXiv preprint arXiv:2007.10891},
year = {2020}
}
备注
20 pages, 10 figures, European Conference on Computer Vision (ECCV) 2020