利用领域内知识训练遥感通用表征
计算机视觉与模式识别
2020-10-02 v1 机器学习
摘要
自动寻找良好且通用的遥感表征，能够在广泛应用上执行迁移学习——提升精度并减少所需训练样本数。本文研究通用遥感表征的开发，并探讨一个数据集作为表征学习的良好来源应具备哪些重要特征。为此，选取五个多样的遥感数据集，并同时用于不相交的上游表征学习以及下游模型训练与评估。采用通用评估协议为这些数据集建立达到当前最优性能（state-of-the-art）的基线。结果表明，尤其在可用训练样本较少时，相较于从零训练或仅在 ImageNet 上微调（在 100 个训练样本时分别最高提升 11% 和 40%），加入额外的领域内数据可观察到显著的性能提升。所有数据集与预训练表征模型均已在线发布。
引用
@article{arxiv.2010.00332,
title = {Training general representations for remote sensing using in-domain knowledge},
author = {Maxim Neumann and André Susano Pinto and Xiaohua Zhai and Neil Houlsby},
journal= {arXiv preprint arXiv:2010.00332},
year = {2020}
}
备注
Accepted at the IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2020. arXiv admin note: substantial text overlap with arXiv:1911.06721