Aprendizaje colaborativo auto-supervisado transductivo de pocas muestras para clasificación de escenas de teledetección
Autores: Han, Haiyan; Huang, Yangchao; Wang, Zhe
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Aprendizaje colaborativo auto-supervisado transductivo de pocas muestras para clasificación de escenas de teledetección
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Advent
Deep learning
Algoritmos de clasificación de escenas
Aprendizaje de pocas muestras
Algoritmo CSTFSL
Aprendizaje auto supervisado
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
Con el advenimiento del aprendizaje profundo y la accesibilidad de datos masivos, los algoritmos de clasificación de escenas basados en aprendizaje profundo han sido ampliamente investigados y han logrado desarrollos emocionantes. Sin embargo, el éxito de los modelos profundos a menudo depende de una gran cantidad de datos de teledetección anotados. Además, los modelos profundos suelen ser entrenados y probados en el mismo conjunto de clases, lo que lleva a un rendimiento de generalización comprometido al encontrarse con nuevas clases. Aquí es donde el aprendizaje de pocas muestras tiene como objetivo permitir que los modelos generalicen rápidamente a nuevas clases con solo unas pocas muestras de referencia. En este documento, proponemos un algoritmo novedoso de aprendizaje transductivo colaborativo autosupervisado de pocas muestras (CSTFSL) para la clasificación de escenas de teledetección. En nuestro enfoque, construimos dos tareas auxiliares autosupervisadas distintas para entrenar conjuntamente el extractor de características, con el objetivo de obtener una representación poderosa. Posteriormente, los parámetros del extractor de características se congelan, no requiriendo más entrenamiento, y se transfieren a la etapa de inferencia. Durante las pruebas, empleamos la inferencia transductiva para mejorar la información asociativa entre los conjuntos de soporte y consulta aprovechando información adicional de muestra en los datos. Comparaciones extensas con algoritmos de clasificación de escenas de pocas muestras de vanguardia en los conjuntos de datos WHU-RS19 y NWPU-RESISC45 demuestran la efectividad del CSTFSL propuesto. Más específicamente, CSTFSL ocupa el primer lugar en las configuraciones de un disparo de cinco vías y cinco disparos de cinco vías. Además, se realizan experimentos de ablación detallados para analizar el CSTFSL. Los resultados experimentales revelan mejoras significativas y prometedoras en la clasificación de escenas de pocas muestras a través de la combinación de aprendizaje autosupervisado e inferencia transductiva directa.
Descripción
Con el advenimiento del aprendizaje profundo y la accesibilidad de datos masivos, los algoritmos de clasificación de escenas basados en aprendizaje profundo han sido ampliamente investigados y han logrado desarrollos emocionantes. Sin embargo, el éxito de los modelos profundos a menudo depende de una gran cantidad de datos de teledetección anotados. Además, los modelos profundos suelen ser entrenados y probados en el mismo conjunto de clases, lo que lleva a un rendimiento de generalización comprometido al encontrarse con nuevas clases. Aquí es donde el aprendizaje de pocas muestras tiene como objetivo permitir que los modelos generalicen rápidamente a nuevas clases con solo unas pocas muestras de referencia. En este documento, proponemos un algoritmo novedoso de aprendizaje transductivo colaborativo autosupervisado de pocas muestras (CSTFSL) para la clasificación de escenas de teledetección. En nuestro enfoque, construimos dos tareas auxiliares autosupervisadas distintas para entrenar conjuntamente el extractor de características, con el objetivo de obtener una representación poderosa. Posteriormente, los parámetros del extractor de características se congelan, no requiriendo más entrenamiento, y se transfieren a la etapa de inferencia. Durante las pruebas, empleamos la inferencia transductiva para mejorar la información asociativa entre los conjuntos de soporte y consulta aprovechando información adicional de muestra en los datos. Comparaciones extensas con algoritmos de clasificación de escenas de pocas muestras de vanguardia en los conjuntos de datos WHU-RS19 y NWPU-RESISC45 demuestran la efectividad del CSTFSL propuesto. Más específicamente, CSTFSL ocupa el primer lugar en las configuraciones de un disparo de cinco vías y cinco disparos de cinco vías. Además, se realizan experimentos de ablación detallados para analizar el CSTFSL. Los resultados experimentales revelan mejoras significativas y prometedoras en la clasificación de escenas de pocas muestras a través de la combinación de aprendizaje autosupervisado e inferencia transductiva directa.