《表6 其他深度学习策略应用汇总表》
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。
图表编号 | XD0010992000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.16 |
作者 | 谭琨、王雪、杜培军 |
绘制单位 | 华东师范大学地理信息科学教育部重点实验室、中国矿业大学自然资源部国土环境与灾害监测重点实验室、华东师范大学地理信息科学教育部重点实验室、中国矿业大学自然资源部国土环境与灾害监测重点实验室、南京大学自然资源部卫星测绘技术与应用重点实验室 |
更多格式 | 高清、无水印(增值服务) |