遥感场景图像分类的深域自适应网络评价

1、原文

An Evaluation of Deep Domain Adaptive Networks for Remote Sensing Scene Image Classification.

https://ieeexplore.ieee.org/document/9694729  

2、摘要

高性能深度神经网络的分类方式依赖于大规模和高质量的标记样本。然而，在遥感影像领域很难获得大量高质量的数据集。最常见的解决方案是使用微调的预训练神经网络来学习，这反而带来了数据偏差。同时，不同时相的遥感影像也会发生变化。它导致违反训练和测试数据之间的假设。在本文中，我们将四种深度自适应网络应用于遥感图像迁移和分类实验，并对遥感图像分类的深度域自适应进行了实验评估。首先选取两组公共遥感光学场景分类数据，将两组数据在上述四个网络中进行对比，得到不同网络结构下的传递精度，然后对比分析不同类别的分类精度。数据传输分类。实验结果表明，使用迁移算法的四种网络结构的迁移精度远高于仅使用迁移预训练模型的网络的准确度。实验结果表明，这四种自适应网络的准确率较高，但不同类别的数据传输分类准确率不同，可以证明深域自适应算法同样适用于遥感影像传输，也可以证实说明光学遥感数据之间相互传递的可行性。

3、正文

4、结论

本文将最大均值差结合不同网络结构的域自适应算法应用于光学遥感场景，实现了两组公共遥感光学场景分类数据的相互传递。实验结果表明，深域自适应算法可以减小域间分布差异，可以有效地在光学遥感数据集上进行迁移。实验结果发现，由于遥感影像的特点，某些类别的遥感影像特征与光学影像特征存在较大差异。不同类别的转移准确率不同，不同方法对转移准确率的提升也不同。最终平均传输精度较高，两个光学遥感数据集之间的传输精度提高了90%以上。这为未来小样本遥感数据的传递和分类提供了新思路。

5、参考文献