基于 Yolov8 模型的无监督少样本远程感知图像场景分类持续学习研究
计算机视觉与模式识别
2024-06-28 v1 人工智能
机器学习
摘要
由于相机参数、光谱范围、分辨率等因素的差异，远程感知图像分析需要持续学习（CL）模型。目前一些研究在此领域开发 CL 技术，但仍依赖大量标记样本，而这不符合远程感知应用，因为现场勘测往往是昂贵且耗时的。本文提出一种无监督平坦广学习方法（UNISA），用于无需任何标记样本即可更新模型的无监督少样本持续学习方法，专用于远程感知图像场景分类。UNISA 基于原型散布和正样本采样来学习表征表示，同时通过结合平坦广学习方法与球形生成器来解决灾难性遗忘问题和数据稀缺问题。我们的 numerical study 使用远程感知图像场景数据集和一个 hyperspectral 数据集验证了该方案的优势。UNISA 的源代码已公开于 https://github.com/anwarmaxsum/UNISA，便利后续研究和复现实验结果。
引用
@article{arxiv.2406.18574,
title = {Unsupervised Few-Shot Continual Learning for Remote Sensing Image Scene Classification},
author = {Muhammad Anwar Ma'sum and Mahardhika Pratama and Ramasamy Savitha and Lin Liu and Habibullah and Ryszard Kowalczyk},
journal= {arXiv preprint arXiv:2406.18574},
year = {2024}
}
备注
Under Review for Publication in IEEE TGRS