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
少样本学习是目前机器学习研究领域的热点和难点.针对现有的少样本学习模型不能有效捕捉数据特征与数据标签之间的联系,造成分类模型泛化能力弱的问题,提出一种基于元学习的原型空间图卷积网络少样本学习模型FSL-GCNPS(Few-Shot Learnin...少样本学习是目前机器学习研究领域的热点和难点.针对现有的少样本学习模型不能有效捕捉数据特征与数据标签之间的联系,造成分类模型泛化能力弱的问题,提出一种基于元学习的原型空间图卷积网络少样本学习模型FSL-GCNPS(Few-Shot Learning of Graph Convolutional Network on Prototype Space).首先,利用卷积神经网络提取多任务数据的特征向量;其次,为了将特征向量映射到原型空间中,根据元学习的训练策略得到特征向量的类原型表达;然后,通过类原型向量和类向量之间的嵌入表示,构建图结构数据,并进行图卷积网络训练、推理.实验结果表明,相较于经典少样本学习方法,FSL-GCNPS模型拥有更好的分类准确率和分类稳定性.同时,在医学图像领域数据集上实验表明,FSL-GCNPS具有很好的跨域适应性.展开更多
如何将带有大量标记数据的源域知识模型迁移至带有少量标记数据的目标域是少样本学习研究领域的热点问题.针对现有的少样本学习算法在源域数据与目标域数据的特征分布差异较大时存在的泛化能力较弱的问题,提出一种基于伪标签的半监督少...如何将带有大量标记数据的源域知识模型迁移至带有少量标记数据的目标域是少样本学习研究领域的热点问题.针对现有的少样本学习算法在源域数据与目标域数据的特征分布差异较大时存在的泛化能力较弱的问题,提出一种基于伪标签的半监督少样本学习模型FSLSS(Few-Shot Learning based on Semi-Supervised).首先,利用pytorch深度学习框架建立一个关系型深度学习网络,并使用源域数据对网络进行预训练;然后,使用此网络对目标域数据进行分类预测,将分类概率最大的类标签作为数据的伪标签;最后,利用目标域的伪标签数据和源域的真实标签数据对网络进行混合训练,并重复伪标签标记与混合训练过程.实验结果表明,相对于现有主流少样本学习算法,FSLSS模型有更好的泛化能力及知识迁移效果.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.
文摘少样本学习是目前机器学习研究领域的热点和难点.针对现有的少样本学习模型不能有效捕捉数据特征与数据标签之间的联系,造成分类模型泛化能力弱的问题,提出一种基于元学习的原型空间图卷积网络少样本学习模型FSL-GCNPS(Few-Shot Learning of Graph Convolutional Network on Prototype Space).首先,利用卷积神经网络提取多任务数据的特征向量;其次,为了将特征向量映射到原型空间中,根据元学习的训练策略得到特征向量的类原型表达;然后,通过类原型向量和类向量之间的嵌入表示,构建图结构数据,并进行图卷积网络训练、推理.实验结果表明,相较于经典少样本学习方法,FSL-GCNPS模型拥有更好的分类准确率和分类稳定性.同时,在医学图像领域数据集上实验表明,FSL-GCNPS具有很好的跨域适应性.
文摘如何将带有大量标记数据的源域知识模型迁移至带有少量标记数据的目标域是少样本学习研究领域的热点问题.针对现有的少样本学习算法在源域数据与目标域数据的特征分布差异较大时存在的泛化能力较弱的问题,提出一种基于伪标签的半监督少样本学习模型FSLSS(Few-Shot Learning based on Semi-Supervised).首先,利用pytorch深度学习框架建立一个关系型深度学习网络,并使用源域数据对网络进行预训练;然后,使用此网络对目标域数据进行分类预测,将分类概率最大的类标签作为数据的伪标签;最后,利用目标域的伪标签数据和源域的真实标签数据对网络进行混合训练,并重复伪标签标记与混合训练过程.实验结果表明,相对于现有主流少样本学习算法,FSLSS模型有更好的泛化能力及知识迁移效果.
