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。