释放可解释小样本学习在遥感中的能力

近期的进展显著提升了基于图像的遥感任务中深度学习方法的效率与效果。然而，对大量标注数据的需求限制了深度神经网络在现有遥感数据集上的适用性。为克服这一挑战，小样本学习已成为一种有价值的方法，能够在有限数据下实现学习。尽管以往研究已评估了小样本学习方法在基于卫星的数据集上的有效性，但很少关注将这些方法应用于无人机（UAV）获取的数据集，而无人机在遥感研究中正日益广泛使用。在本综述中，我们提供了对现有及新提出的小样本分类技术的最新概述，以及用于基于卫星和基于无人机数据的相应数据集。我们的系统方法表明，小样本学习能够有效适应无人机平台可提供的更广阔且更多样的视角。我们还在无人机灾害场景分类数据集上评估了一些SOTA小样本方法，取得了有前景的结果。我们强调集成XAI（可解释人工智能）技术（如注意力图和原型分析）的重要性，以提升遥感小样本模型的透明度、可问责性与可信度。文中指出了关键挑战与未来研究方向，包括面向无人机的定制小样本方法、扩展到分割等未知任务，以及开发适用于小样本遥感问题的优化XAI技术。本综述旨在帮助研究人员与从业者更好地理解小样本学习在遥感中的能力与局限，同时强调开放问题以指导高效、可靠且可解释的小样本方法的未来进展。