Multi-Adversarial Partial Transfer Learning With Object-Level Attention Mechanism for Unsupervised Remote Sensing Scene Classification
Notice bibliographique
Résumé
In recent years, deep learning methods have been widely applied in remote sensing image classification tasks, providing valuable information for natural monitoring and spatial planning. In an actual application like this, acquiring massive labeled data for deep convolutional networks is costly and difficult especially in the situation that the data sources are diverse and the requirements are changing. Transfer learning methods have already shown superior performance on exploiting domain invariance features in existing data for deep network-based categorization tasks. However, the data imbalance between source and target domains may bring negative transfer and weaken the classifier's ability. Moreover, it is still a difficult problem to extract object-level visual features among easy-mixed categories. In this context, Multi-adversarial Object-level Attention Network (MOAN) is proposed for partial transfer learning and selecting useful features. On the one hand, we present an improved object-level attention proposal network (OANet) for perceiving structural features of the main object in the picture, and weakening the unrelated regions. On the other hand, the extracted features are further enhanced by multi-adversarial framework in order to promote positive transfer, selecting and mapping valuable cross domain features from shared categories and suppressing others. This adversarial learning module can also generate pseudo tags for the samples in target domain so as to perceive integral visual signals, similar to the process in source domain. In addition, virtual adversarial training method is introduced in MOAN so as to regularize the model and maintain stability. Experimental analyses show that our MOAN can significantly promote positive transfer and restrain negative transfer in unsupervised classification problems. MOAN has good performances such as higher accuracies and lower loss values on several benchmark data sets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».