基于变分自编码孪生网络的高分影像信息表征学习模型

摘要

传统的监督分类方法在有效表征高分辨率遥感影像的语义信息方面存在困难，且通常需要大量准确的标记，但带有高质量标记的遥感数据相对匮乏.针对遥感影像数据标记受限的问题，提出一种新的高分辨率影像表征学习模型，融合了变分自编码器与异步非对称结构的孪生神经网络，通过采用多个自监督增广的遥感影像作为当前样本的正例以实现平滑的表征.在语义信息表征学习过程中，将孪生对比损失函数与变分自编码的标准证据下界结合进行优化，从而有效解决高分辨率遥感影像的无标记问题，并能捕获高分辨率影像的潜在语义信息.所提算法在SIRI-WHU、NWPU-RESISC45、UC Merced及AID数据集上进行了实验，结果显示其性能优于最先进的自监督学习方法SimSiam、MoCo、BYOL和SimCLR.

关键词

自监督学习 / 语义信息表征 / 高分辨率遥感影像 / 场景分类

基金资助

安徽省教育厅重大重点科学研究项目(2022AH051113);安徽省教育厅教学研究项目(2021jyxm1053); 安徽省重点实验室开放基金资助项目(2022PGE003)