Sep, 2020

RS-MetaNet：深度元学习度量学习用于远程感知场景分类

PDF
TL;DR提出了一种名为 RS-MetaNet 的简单而有效的方法，通过在任务级别而不是样本级别组织训练，学习学习一个可以对遥感场景进行良好分类的度量空间，其中采用了新的平衡损失函数，并在三个公开数据集上展示了在具有 1-20 个标记样本的情况下实现了最先进结果。
few-shot remote sensing scene classificationtask-level learningrs-metanetbalance lossstate-of-the-art results
发现论文，激发创造
  • MLRSNet：用于语义场景理解的多标签高空间分辨率遥感数据集

    本研究构建了一个名为 MLRSNet 的多标签高空间分辨率遥感数据集，用于深度学习的语义场景理解任务。它包含 109,161 个样本，涵盖 46 种场景类别，是一个重要的未来研究基准，并填补了现有的多标签图像研究的空白。

    Oct, 2020

  • Few-Shot 土地覆盖分类的元学习

    本文提出了一种基于概率学习算法的元学习方法，使得通过很少的样本数据，模型可以从一个地理区域适应到另一个地理区域，结合地球科学的数据多样性，利用元学习的方式优化之后可以获得更高的表现作为地科领域的一项有益的工具。

    Apr, 2020

  • MetaSegNet: 基于元数据协同的视觉语言表示学习用于遥感图像语义分割

    我们提出了一种基于视觉 - 语言表示学习的元数据协作多模态分割网络（MetaSegNet），该网络用于遥感图像的语义分割，并展示了卓越的泛化性能和与现有方法相竞争的准确性。

    Dec, 2023

  • 高效元学习驱动的轻量级多尺度少样本远程感知图像目标检测

    利用单级检测器作为基准，结合元学习训练框架和新颖的元采样方法，提出了一种在遥感图像中进行少样本目标检测的方法，以提高检测准确性和元学习策略的效率。

    Apr, 2024

  • 遥感图像中的少样本目标检测

    本文介绍了一种基于少样本学习的遥感影像目标检测方法，主要由元特征提取器、自适应权重分配模块和边界框预测模块组成，实现了在较少标注数据情况下，在遥感影像上的目标检测，表现优于其他基线模型。

    Jun, 2020

  • 遥感影像场景分类遇上深度学习：挑战、方法、基准和机遇

    本文系统地介绍了 160 多篇文献中深度学习在遥感图像场景分类中的应用，包括自编码器、卷积神经网络和生成对抗网络等方面，总结了在三个常用数据集上的代表性算法的性能以及未来的研究前景。

    May, 2020

  • 基于自监督范式的有限标记样本遥感图像场景分类

    通过自监督学习机制，利用未标记的大规模遥感图像数据进行预训练，提高了远程传感器图像场景分类任务的性能，与传统的以 Imagenet 为代表的方法相比表现更佳。同时，研究了多个影响自监督学习的因素，这些研究成果对遥感领域中 SSL 技术的发展具有积极意义，有望提高大规模遥感图像处理的效率。

    Oct, 2020

  • 利用 SEN12MS 数据集的遥感图像分类

    本文介绍了 SEN12MS 数据集的分类转换及使用该数据集对不同模型和数据类型进行测试后，证明多光谱和多传感器数据融合对遥感图像分类的好处。

    Apr, 2021

  • InfRS：遥感图像中的增量式少样本目标检测

    该研究探讨了在遥感图像中的增量式小样本目标检测任务，并介绍了一种名为 InfRS 的创新微调技术，以便在保持基类性能的同时，利用有限的示例进行增量学习，并生成代表数据固有特征的类别原型，进而解决遥感图像中的增量式小样本目标检测问题。

    May, 2024

  • 基于对比学习的多层交叉模态特征对齐，用于遥感图像场景的零样本分类

    本文提出了一种通过对比学习进行多层次交叉模态特征对齐的方法，以用于遥感图像场景的零样本分类，实验结果表明该方法优于目前现有的零样本遥感图像场景分类方法。

    May, 2023