【可见光遥感二】Domain Adaptation via a Task-Specific ClassifierFramework for Remote SensingCross-Scene Cl

羊驼不驼a

已于 2024-02-01 13:01:29 修改

阅读量1.1k

点赞数 24

分类专栏：可见光遥感文章标签：人工智能

于 2024-01-23 20:35:38 首次发布

本文链接：https://blog.youkuaiyun.com/m0_60231311/article/details/135746219

版权

本文提出了一种基于任务特定分类器(DATSNET)的领域自适应方法，用于解决遥感图像跨场景分类的域漂移问题。DATSNET框架结合了任务特定分类器和对抗训练，通过最小最大化不同分类器间的差异来对齐源域和目标域的特征分布。这种方法利用目标域的分类信息，提高了遥感图像的跨场景分类性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文：Domain Adaptation via a Task-Specific Classifier Framework for Remote Sensing Cross-Scene Classification

1.motivation

最近提出的基于深度卷积神经网络(cnn)的场景分类方法，由于训练数据和验证数据没有遵循独立相同分布的假设，仍然存在域漂移问题。使用生成对抗网络已被发现是弥合领域转移/差距的有效方法。然而，现有的跨场景分类方法没有利用目标域的分类信息，并且针对不同的场景分类任务，域分类器是任务独立的。为了解决这一问题，本文提出了基于特定任务分类器(DATSNET)框架的领域自适应HSR图像场景分类。特定于任务的分类器以及分类器差异的最小化和最大化(即最小最大化)都集成在DATSNET框架中。提出了任务特定分类器，利用目标域中的任务特定决策边界来对齐源域特征和目标域特征的分布。为了对齐两个特定任务分类器的特征分布，提出了一种对抗方式最小最大化不同分类器之间定义的差异，以获得更好的目标域特定任务分类器边界和更好的两个域特征分布对齐。在不同遥感跨场景分类任务下的实验结果表明，与现有的遥感跨场景分类算法相比，本文方法的分类性能有了显著提高。

2.introduce

近年来，人们提出了一种领域自适应方法，利用已有的标记数据集对训练好的模型进行自适应。

对于场景分类任务，已经设计了许多基于深度学习的领域自适应方法用于跨领域分类[43]-[50]。在遥感跨场景分类中，最常见的现象是源域和目标域之间的特征空间不同，并且在无监督域自适应(UDA)中目标域中没有标记数据。在此基础上，结合遥感领域已有的跨场景分类方法，现有方法可分为两类:1)基于统计的跨场景分类方法和2)基于生成对抗网络(GANs)的跨场景分类方法。

基于统计的方法通过在特征层中添加基于统计的散度的损失项(如最大平均差异[43]-[