【JSTAR2022】《Few-Shot Transfer Learning for SAR Image Classification Without Extra SAR Samples》译读笔记

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

摘要

基于深度学习的合成孔径雷达（Synthetic Aperture Radar, SAR）图像分类在训练样本稀缺时是一个未解决的问题。基于迁移学习的 few-shot 方法通过将知识从EO（electro–optical）迁移到SAR域，可以有效地解决此问题。这类方法的性能依赖于额外的SAR样本，例如：未标注的新类别样本或者已标注的相似类样本。然而，在某些应用场景中收集足够额外的SAR样本是无法实现的，即 few-shot case。在这种case（情况）下，这类方法的性能会严重下降。因此，降低额外数据依赖的 few-shot 方法是至关重要。基于此动机，本文提出了一种新的 few-shot（小样本）迁移学习方法，用于SAR图像分类。本文提出了 connection-free attention module 来选择 transfer features（迁移特征），以选择性地从源网络向目标网络迁移EO和SAR样本之间的共享特征，从而补充由额外SAR样本带来的信息损失。基于Bayesian卷积神经网络，本文提出了一种用于 the extreme few-shot case 的训练策略，重点在于准确更新重要参数。在三个真实SAR数据集上的实验结果证明了本文方法的优越性。

I. 引言

SAR（Synthetic Aperture Radar）成像能够在遮挡天气或夜间通过传播雷达信号获益。来自移动天线的雷达信号和反射信号被收集起来进行后续信号处理，在任何气象条件和遮挡情况都可以生成高分辨率图像。因此，SAR成像作为一种强大的技术用于多种应用中，例如：连续环境监测、大规模监视、地球遥感和军事调查。图像分类则是这些应用中的基本任务之一。
  随着大量带标注训练样本的出现，DL成为了SAR图像分类流行且有效的解决方案。