RS-MetaNet：用于少样本遥感场景分类的深度元度量学习
计算机视觉与模式识别
2020-09-29 v1
摘要
在海量标注样本上训练现代深度神经网络是解决遥感场景分类问题的主要范式，但从极少数据点中学习仍具挑战。现有的少样本遥感场景分类方法以样本级方式进行，导致所学特征易对单个样本过拟合，且所学类别分割面泛化不足。为解决此问题，学习应在任务级而非样本级组织。从任务族中采样任务进行学习，有助于调整学习算法以在该族中采样的新任务上表现良好。因此，我们提出一种简单而有效的方法，称为 RS-MetaNet，以解决现实世界中少样本遥感场景分类的相关问题。一方面，RS-MetaNet 通过以元方式组织训练，将学习层次从样本提升至任务，并从一系列任务中学习一个能良好分类遥感场景的度量空间。我们还提出一种称为平衡损失（Balance Loss）的新损失函数，其通过最大化不同类别间的距离来最大化模型对新样本的泛化能力，在为不同类别场景提供更好线性分割平面的同时保证模型拟合。在 UCMerced_LandUse、NWPU-RESISC45 和 Aerial Image Data 三个公开且具有挑战性的遥感数据集上的实验结果表明，我们提出的 RS-MetaNet 方法在仅有 1-20 个标注样本的情况下取得了最先进（SOTA）结果。
引用
@article{arxiv.2009.13364,
title = {RS-MetaNet: Deep meta metric learning for few-shot remote sensing scene classification},
author = {Haifeng Li and Zhenqi Cui and Zhiqing Zhu and Li Chen and Jiawei Zhu and Haozhe Huang and Chao Tao},
journal= {arXiv preprint arXiv:2009.13364},
year = {2020}
}
备注
13 pages, 11 figures