在跨场景分类任务中,大多数领域自适应方法(Domain Adaptation,DA)关注于源域数据和目标域数据由相同传感器获得且具有相同地物类别的迁移任务,然而当目标数据中存在新类别时自适应性能会显著下降.此外,大多数高光谱图像分类方法采用全...在跨场景分类任务中,大多数领域自适应方法(Domain Adaptation,DA)关注于源域数据和目标域数据由相同传感器获得且具有相同地物类别的迁移任务,然而当目标数据中存在新类别时自适应性能会显著下降.此外,大多数高光谱图像分类方法采用全局表征机制,即针对固定大小窗口的样本进行表征学习,其地物类别表征能力有限.本文提出了一种基于局部表征的少样本学习框架(Local representation Few Shot Learning,LrFSL),尝试在少样本学习中构建局部表征机制突破全局表征能力上限.在提出框架中,对所有具有标签的源域数据和少量具有标签的目标域数据构建元任务,依照元学习策略同步进行情景训练,与此同时设计了域内局部表征模块(Intra-domain Local Representation block,ILR-block)用于挖掘样本中多个局部表征的语义信息,设计了域间局部对齐模块(Inter-domain Local Alignment block,ILA-block)进行跨域逐类别分布对齐以缓解领域偏移对少样本学习的影响.在三个公开高光谱图像数据集上的实验结果证明了该方法显著优于目前最先进的方法.展开更多
文摘在跨场景分类任务中,大多数领域自适应方法(Domain Adaptation,DA)关注于源域数据和目标域数据由相同传感器获得且具有相同地物类别的迁移任务,然而当目标数据中存在新类别时自适应性能会显著下降.此外,大多数高光谱图像分类方法采用全局表征机制,即针对固定大小窗口的样本进行表征学习,其地物类别表征能力有限.本文提出了一种基于局部表征的少样本学习框架(Local representation Few Shot Learning,LrFSL),尝试在少样本学习中构建局部表征机制突破全局表征能力上限.在提出框架中,对所有具有标签的源域数据和少量具有标签的目标域数据构建元任务,依照元学习策略同步进行情景训练,与此同时设计了域内局部表征模块(Intra-domain Local Representation block,ILR-block)用于挖掘样本中多个局部表征的语义信息,设计了域间局部对齐模块(Inter-domain Local Alignment block,ILA-block)进行跨域逐类别分布对齐以缓解领域偏移对少样本学习的影响.在三个公开高光谱图像数据集上的实验结果证明了该方法显著优于目前最先进的方法.
