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。