遥感领域有限训练数据下深度学习的现状与不足
计算机视觉与模式识别
2018-08-01 v1 机器学习
机器学习
摘要
深度学习通常需要大数据，无论是在数据量还是数据多样性方面。然而，大多数遥感应用仅有有限的训练数据，其中仅有少量被标注。在此，我们回顾了深度学习领域应对这一挑战的三种前沿方法。第一个主题是迁移学习，其中一个领域的某些方面（如特征）被迁移到另一个领域。其次是无人监督学习，例如自编码器，其作用于未标注数据。最后是生成对抗网络，其能够生成看似真实的数据，可同时欺骗深度学习网络与人类。本文旨在引起对这一困境的关注，引导读者了解现有工作，并突出当前尚待解决的研究空白。
引用
@article{arxiv.1807.11573,
title = {State-of-the-art and gaps for deep learning on limited training data in remote sensing},
author = {John E. Ball and Derek T. Anderson and Pan Wei},
journal= {arXiv preprint arXiv:1807.11573},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1709.00308