Ähnlichkeitsbasiertes unüberwachtes Deep Transfer Learning für den Fernerkundungs-Bildabruf

Auf dem Gebiet des inhaltsbasierten Bildabrufs in der Fernerkundung (Remote Sensing, RS) haben Convolutional Neural Networks (CNNs) in puncto Leistung eine überwältigende Überlegenheit gegenüber anderen Methoden bewiesen. CNNs werden grundsätzlich überwacht trainiert, was eine größere Anzahl gelabelter Stichproben erfordert. Ein Mangel an gelabelten Bildern ist in der RS-Community jedoch sehr weit verbreitet. Darüber hinaus weisen CNN-basierte Ansätze weitere Nachteile wie schwerfällige Netzwerke und hochdimensionale Merkmale auf. Um diese Probleme anzugehen, wenden wir unüberwachtes Transfer Learning auf das CNN-Training an – wir transformieren das Ähnlichkeitslernen mithilfe mehrerer CNN-Experten, die auf großen, gelabelten Alltagsbilddatensätzen vortrainiert wurden, in eine tiefe ordinale Klassifikation, die gemeinsam Bildähnlichkeiten bestimmen und Pseudolabels für die Klassifikation bereitstellen. Unsere vorgeschlagene Methode führt zu einem völlig neuen, leichtgewichtigen Modell namens Similarity-based Siamese CNN (SBS-CNN), das mit vollständig ungelabelten RS-Bildern von Grund auf trainiert werden kann und dessen resultierende Merkmale kompakt sind. Darüber hinaus sind die bestehenden CNNs im Allgemeinen an den Cross-Entropy-Loss gekoppelt, wodurch die semantische Beziehung zwischen den Klassen vollständig ignoriert wird. Um dieses Manko zu beheben, wird eine neuartige Verlustfunktion namens Weighted Wasserstein Ordinal Loss konstruiert, um die ordinale Beziehung zwischen Kategorien zu berücksichtigen und so Parameteraktualisierungen während des Trainings effektiver zu steuern. Umfangreiche Experimente wurden an öffentlich verfügbaren RS-Datensätzen durchgeführt, und es zeigt sich, dass unser SBS-CNN bestehende CNN-basierte Ansätze übertrifft.