《表6 其他深度学习策略应用汇总表》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《结合深度学习和半监督学习的遥感影像分类进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:“-”表示原文献中无结论。

与2.2节的zero-shot学习并列的学习方法为one-shot（或者说few-shot）学习。如果zero-shot的任务是对并没有在训练集中出现的类别进行正确分类的话，那one-shot[99]则是仅学习每个类别中的一个样本，而few-shot学习（FSL）则是拓展到每个类别有少量可学习样本。传统的深度学习是在大量数据下进行的，不管是源域亦或目标域，监督式亦或非监督式，训练的有效性必须有一个前提，就是可接触的数据足够多，而FSL模式则相反。FSL起源于元学习（meta learning），可分为基于模型的、基于测度的和基于优化过程的FSL。2018年以来，FSL在自然图像领域的与自然语言处理领域取得了很好的表现，由于它可以在少样本情况下让深度学习模型训练充分，因此也逐渐被引入到遥感技术领域中。其中，有一种基于测度的FSL网络为孪生网络（Siamese network）[100]，它通过共享两个神经网络连接权重建立，需要输入的是数据对。这种区别输入影像对的方式很适合用于遥感技术中的变化检测。Daudt等人[101]用全卷积网络实现孪生网络结构，并用在了多时相影像的变化检测当中，使用了3种孪生网络的测度方法。Zhan等人[102]使用深度孪生网络过来进行小范围航空高分影像的变化检测。类似还有文献[103]。另外，He等人[104]将SLIC分割结合多尺度孪生网络对航片进行建筑物的提取，He等人之前还研究了孪生网络在变化检测的应用[105-106]。此外，关于孪生网络的应用还有场景分类[107]、图像检索[108]。除了孪生网络，其他基于测度的FSL也被应用于高光谱遥感分类中[109]，空谱特征结合的原型网络（prototypical network）[110]使用局部空普特征进行高光谱小样本分类。Liu等人[111]使用深度测度学习与最近邻算法结合，提出了面向高光谱遥感分类的深度FSL框架。Rostami等人[112]使用SLIC Wasserstein距离作为测度函数建立FSL过程，实现异构数据（光学到SAR）的训练问题。由上可见，FSL可为小样本的遥感分类等问题提供了一种途径。表6中列举一些相关应用。