内容纲要

SCI 2区期刊,看标题更像是少样本学习里的下游任务。

Introduction

遥感图像和自然图像有很大不同,比如类内差距会很大,因此,一个挑战是如何定义相似度。也就是说,学习一个更具有区分度的特征表达,通过使用一个小的类内表达描述和大的类间分离。
提出RS-MetaNET:一方面,借助meta-learning的思想,学习一个任务级别的算法。另一方面,我们提出一个新颖的损失函数,平衡损失:最大化不同类别的距离,使用一个线性分割平面。

Method

  1. overview
    file
  2. embedding module
    其实就是特征嵌入层,没什么好说的, 对每个类别求一个prototype。
  3. metric module
    不同类别的距离应该比较大,是个参数化的模型。由一个单层的神经网络和RELU激活函数
  4. loss function
    包含两部分,第一个是在meta-test数据集上的仿prototype,softmax损失,只不过是,参数化的度量矩阵。第二个是在meta-train上的交叉熵损失。第一个损失是模型的表达概况能力,第二个损失是模型的拟合能力。

总结

就是prototype应用了一下,损失函数的话,包含了meta-train的交叉熵损失。

最后修改日期:2020年10月15日

作者

留言

撰写回覆或留言

发布留言必须填写的电子邮件地址不会公开。