关键词:
对比学习
遥感影像
特征提取
特征分类
非对称预测算子
摘要:
为了解决使用深度学习进行遥感影像特征提取与分类时标注数据不足的问题,提出一种基于非对称预测算子的简易对比学习方法。首先,使用水平翻转、颜色抖动和灰度化方法对输入图像进行数据增强,得到同一幅图像的两个相关视图。接着,将其分别输入到孪生网络的两个分支进行特征提取。然后,使用非对称预测算子对特征进行变换,通过最大化两种特征间的相似度优化网络。最后,固定特征提取网络的参数,训练一个线性分类器完成特征分类。在四个公开数据集NWPU-RESISC45,EuroSAT,UC Merced,SIRI-WHU上使用20%的标注样本进行微调,分类精度分别达到77.57%,87.70%,60.52%和65.83%。本文提出的方法能够在不使用数据标签的情况下充分挖掘遥感影像中的高层语义特征,在只使用少量标注样本的情况下性能优于有监督方法得到的ImageNet预训练模型和目前最新的对比学习方法SimSiam。