PolSAR 图像的无监督深度表示学习与少样本分类
计算机视觉与模式识别
2020-12-29 v2
摘要
深度学习和卷积神经网络（CNNs）在过去几年中于极化合成孔径雷达（PolSAR）图像分类方面取得了进展。然而，一个关键问题尚未解决，即 CNNs 对大量标注样本的需求与 PolSAR 图像人工标注不足之间的矛盾。众所周知，遵循监督学习范式可能导致训练数据过拟合，而 PolSAR 图像缺乏监督信息无疑加剧了该问题，极大影响了基于 CNN 的分类器在大规模应用中的泛化性能。为处理此问题，本文首次探索通过卷积架构从无标注 PolSAR 数据中学习可迁移表示。具体地，提出了一种 PolSAR 定制的对比学习网络（PCLNet）用于无监督深度 PolSAR 表示学习与少样本分类。不同于光学处理方法的使用，构建了多样性激励机制以缩小光学与 PolSAR 之间的应用鸿沟。超越常规监督方法，PCLNet 基于实例判别的代理目标开发了无监督预训练阶段，从无标注 PolSAR 数据中学习有用表示。所获表示被迁移至下游任务，即少样本 PolSAR 分类。在两个广泛使用的 PolSAR 基准数据集上的实验证实了 PCLNet 的有效性。此外，本工作或可启发如何高效利用海量无标注 PolSAR 数据以缓解基于 CNN 的方法对人工标注的贪婪需求。
引用
@article{arxiv.2006.15351,
title = {Unsupervised Deep Representation Learning and Few-Shot Classification of PolSAR Images},
author = {Lamei Zhang and Siyu Zhang and Bin Zou and Hongwei Dong},
journal= {arXiv preprint arXiv:2006.15351},
year = {2020}
}
备注
16 pages, 16 figures