リモートセンシングシーン分類のための適応学習を用いたCNNの転送

リモートセンシング（RS）画像の正確な分類は、RSコミュニティにおける常に興味のあるテーマです。最近、転送学習、特に事前訓練された畳み込みニューラルネットワーク（CNN）のファインチューニングが、RSシーン分類のための実行可能な戦略として提案されています。しかし、ターゲットドメイン（すなわち、RS画像）とソースドメイン（例えば、ImageNet）が非常に異なるため、ImageNetデータセットで事前訓練されたモデルを単純に使用することにはいくつかの困難があります。RS画像と事前訓練モデルは、より良い分類システムを構築するために適切に調整する必要があります。本研究では、CNNベースのモデルを転送するための適応学習戦略を提案します。まず、適応変換を使用して、RS画像の元のサイズを次に使用する事前訓練モデルの入力に合わせた特定のサイズに調整します。次に、事前訓練モデルからRSシーン分類モデルに転送すべき知識を自動的に学習する適応転送モデルを提案します。最後に、ラベルスムージングアプローチと組み合わせて、適応ラベルを提示し、分類モデルの予測統計に基づいて各カテゴリのソフトラベルを生成します。これはターゲットシーンとノンターゲットシーンのカテゴリ間の関係を学習するのに役立ちます。一般に、提案された方法は、入力、モデル、ラベルを同時に適応的に管理し、RSシーン分類のためのより良い分類性能を実現します。これらの方法は三つの広く使用されるデータセットでテストされ、得られた結果は、提案された方法が最先端の方法と比較して競争力のある分類精度を提供することを示しています。