《表1 不同小样本方法总结》

  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

《遥感边缘智能技术研究进展及挑战》

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

深度学习技术所带来的算法性能提升是在大量训练样本提供的数据支撑下获取的。相较于动辄上万的视觉图像，在遥感边缘智能应用场景中，深度学习算法通常面临着小样本问题:对于出现频率较低的目标，实际往往只能获取几幅到几十幅图像的样本数据。以基于遥感图像的飞机目标识别任务为例，部分型号的飞机生产和保有的数量较少，因此可获取的图像样本数量十分有限，而现有的飞机型号识别算法缺乏小样本条件下的学习能力，实际中往往陷入严重的过拟合问题，导致在实际应用中的识别效果较差。针对边缘终端上的小样本问题对于遥感边缘智能技术发展的约束，探索适用于遥感数据解译需求的小样本学习方法成为学界研究重点。如图2所示，现有的解决思路可以归为两大类:一类是结合遥感图像特性进行样本智能化扩充，从而满足模型训练时的数据量需求；另一类则是从知识复用的角度出发，按照迁移学习、元学习和度量学习等策略引入先验知识，辅助在新地物类别上的学习，从而实现降低算法对遥感样本数据量需求的目的，完成小样本遥感智能解译。如表1所示，本节将从样本生成以及知识复用两个角度介绍相关的算法原理和技术应用。