Transferência de CNN com Aprendizado Adaptativo para Classificação de Cena de Sensoriamento Remoto

A classificação precisa de imagens de sensoriamento remoto (SR) é um tema perene de interesse na comunidade de SR. Recentemente, o aprendizado por transferência, especialmente para ajuste fino de redes neurais convolucionais (CNNs) pré-treinadas, tem sido proposto como uma estratégia viável para a classificação de cenas de SR. No entanto, devido à diferença significativa entre o domínio alvo (ou seja, as imagens de SR) e o domínio de origem (por exemplo, ImageNet), o uso simples do modelo pré-treinado em um conjunto de dados do ImageNet apresenta algumas dificuldades. As imagens de SR e os modelos pré-treinados precisam ser ajustados adequadamente para construir um sistema de classificação melhor. Neste estudo, uma estratégia de aprendizado adaptativo para transferir um modelo baseado em CNN é proposta. Primeiro, uma transformação adaptativa é utilizada para ajustar o tamanho original da imagem de SR para um certo tamanho, que é adaptado à entrada do modelo pré-treinado subsequente. Em seguida, um modelo de transferência adaptativa é proposto para aprender automaticamente quais conhecimentos do modelo pré-treinado devem ser transferidos para o modelo de classificação de cena de SR. Finalmente, em combinação com uma abordagem de suavização de rótulos, um rótulo adaptativo é apresentado para gerar rótulos suaves com base nas estatísticas das previsões do modelo de classificação para cada categoria, o que é benéfico para aprender as relações entre as categorias alvo e não alvo das cenas. Em geral, os métodos propostos gerenciam adaptativamente a entrada, o modelo e o rótulo simultaneamente, o que resulta em uma melhor performance de classificação para a classificação de cenas de SR. Os métodos propostos são testados em três conjuntos de dados amplamente utilizados e os resultados obtidos mostram que os métodos propostos oferecem uma precisão de classificação competitiva em comparação com os métodos de ponta.