9、基于耦合嵌入空间的少样本图像分类：从EO到SAR的知识迁移

基于耦合嵌入空间的少样本图像分类：从EO到SAR的知识迁移

1. 概述

在机器学习出现之前，大多数成像设备主要是为生成人类可解释的输出而设计的，因此目前收集的主要视觉数据是电光（EO）领域的数据。数字EO图像由平面传感器网格生成，这些传感器检测并记录物体表面反射的可见光的强度和颜色，以像素平面阵列的形式呈现。大多数为自动化开发的机器学习算法也将EO领域数据作为输入。

近年来，基于EO的机器学习和计算机视觉在开发具有人类水平性能的分类和检测算法方面取得了显著进展。特别是深度卷积神经网络（CNN）的重新兴起，对这一成功起到了关键作用。CNN优于许多经典学习方法的主要原因在于，在训练CNN时，可以绕过经典机器学习和计算机视觉中耗时且不明确的特征工程过程。CNN能够在大规模标记图像数据集的端到端监督训练方案中，自动提取抽象且高质量的判别特征。由于这些学习到的特征是任务相关的，通常比那些为广泛任务定义、未考虑数据特定结构的工程特征（如小波、DFT、SIFT等）表现更好。

然而，EO成像也受到人类视觉感官系统的限制。在连续环境监测、大规模监视和地球遥感等应用中，需要在长时间内进行连续成像，且不受天气条件的影响。而EO成像在夜间和多云天气下无法进行，因此在这些应用中，使用能够在可见光谱之外成像的其他技术是不可避免的。合成孔径雷达（SAR）成像就是这一领域的一项重要技术，它对于遥感应用非常有效。SAR成像利用雷达信号，这些信号可以在恶劣天气和夜间传播。雷达信号从移动天线依次发射，反射信号被收集并进行后续处理，以生成不受天气和遮挡影响的高分辨率图像。

虽然EO和SAR领域的图像描述的是同一个物理世界，且SAR数据通常以类似于EO图像的平面阵列形式表示，但处理EO和SAR数据以及