Aprendizaje profundo de métricas estructurales que promueven la diversidad para la clasificación de escenas de teledetección

Los modelos profundos con múltiples capas han demostrado su potencial en el aprendizaje de características abstractas e invariantes para una mejor representación y clasificación de imágenes de teledetección. Además, el aprendizaje de métricas (ML) suele introducirse en los modelos profundos para aumentar aún más la discriminación de las representaciones profundas. Sin embargo, los métodos habituales de ML profundo tratan las muestras de entrenamiento en cada lote de entrenamiento de manera independiente durante el procedimiento de aprendizaje basado en descenso de gradiente estocástico, y por lo tanto, pasan por alto la importante información contextual (estructural) en las muestras de entrenamiento. En este artículo, primero introducimos el ML estructural profundo (DSML) en la literatura de clasificación de escenas de teledetección y específicamente capturamos y utilizamos la información estructural durante el entrenamiento en las imágenes de teledetección. Un análisis adicional demuestra que el DSML generalmente hace que muchos parámetros métricos aprendidos sean similares. Esta similitud conduce a una redundancia evidente en el modelo y, por lo tanto, disminuye la capacidad representativa del modelo. Para abordar este problema, este artículo propone un nuevo método DSML promotor de diversidad (D-DSML) regulando el procedimiento de aprendizaje mediante un prior promotor de diversidad sobre los factores de parámetro. El D-DSML propuesto fomenta que los factores de parámetro sean no correlacionados, de modo que cada factor pueda modelar información única, mejorando así significativamente la capacidad de descripción y el rendimiento de clasificación del modelo. Experimentos en seis conjuntos de datos de escenas de teledetección del mundo real demuestran que el método propuesto obtiene resultados mucho mejores que los obtenidos por los modelos profundos originales y tiene desempeños comparables o incluso mejores en comparación con métodos del estado del arte.