“可见光迁移SAR图像识别”学习笔记

1. 模型假设

1.1 物理一致性

可见光跟SAR可以看作是两种不同的传感器，两种传感器类型分别是物理场景的低维映射；
不过它们在本质上都是对物理场景的信号采样；
所以在物理上是具有一致性的；

2. 迁移学习基础

2.1 迁移学习的分类

转导迁移学习（transductive transfer learning ）

• 源域和目标域不同，学习任务相同，（源域有标签）

无监督迁移学习（unsupervised transfer learning ）

• 源域和目标域均没有标签
  

3. 参考论文

Few-Shot Transfer Learning for SAR Image Classification Without Extra SAR Samples

3.1 论文中的术语

EO：Electro–Optical
L2T：《Learning what and where to Transfer》
RAF：全称为 Real-world Affective Faces Database（RAF-DB），现实世界情绪面部数据集
CK：全称为 CK+（Extended Cohn-Kanade Dataset），扩展的Cohn-Kanade数据集
CK_data.h5：CK数据集的集合文件
CUB-200：鸟类图像分类数据集
MetaSGD：MetaSGD通过元学习（Meta-Learning）来学习每个参数的学习率，使得模型能够在新的任务上快速适应。这意味着在训练过程中，需要同时优化模型参数和学习率。

3.2 网络结构

3.1.1 Source network: 8-Resblock

As shown in Fig. 2, the source network contains eight ResNet blocks, namely 8-Resblock-based CNN.

3.3 复现指标

3.4 训练步骤（Algorithm 1: Training scheme）

3.3.1 数据准备

T师兄在论文中提到“使用了 EO samples”，但是却没有说明“EO samples 具体是什么”：

T: First, we pretrain the source and target networks with EO samples to obtain rich features and reduce transferring difficulty.

我们也联系了T师兄，不过他说他不记得预训练的数据在哪里、还说让我们在网上去找数据；我们将这个情况反映给了TT师姐，她说让我们用 NWPU-RESISC45 数据集来做预训练；

3.5 复现笔记

3.5.1 代码压缩包备份：百度网盘 > Research > SAR舰船迁移学习 > T博论文代码 > L2T-ww-master.zip

SHA-256校验码：

9a0144ee5a2db4d271514a4bec45e6fd23fe9b7ec0d0f33b88be5956c6881a30

4. 目标期刊：TGARS

5. 论文复现

5.1 文件信息查询

5.1.1 输出当前目录下所有.py文件

ls *.py

南溪：这里*.py用到的是“globbing模式匹配”，而不是正则表达式；
百小应：一般来说，globbing更适合于简单的文件名匹配，而正则表达式则适用于更复杂的文本匹配和处理任务。