面向遥感图像检索的自适应样本类型判别研究OA北大核心CSTPCD

遥感图像内容复杂,类别丰富,存在较多难以判别的图像,导致遥感图像检索性能不佳。为此,提出自适应样本类型判别方法(ASTD),将样本类型动态地分为简单样本、普通样本和困难样本,网络依据样本的类型进行不同程度的学习,从而有效提高特征的判别能力。设计了一个SHash网络,该网络以Swin Transformer为骨干,在网络的最后加上哈希层,该网络能够在全局上捕获图像的语义信息,提高特征的表达能力和检索效率;为了让同一类别图像更加聚集,并更好地区分不同类别的图像,给每个类别定义一个哈希中心,规定输入样本自身类别所对应的中心为该样本的正中心,其他中心为该样本的负中心;提出样本类型判别损失STDLoss,根据样本与正负中心的距离关系自适应判别样本的类型,从而提高网络对各类型样本的学习能力。在UC-Merced和AID两个遥感数据集上与DSH、CSQ、SHC等五种哈希方法进行了比较,实验结果表明,基于ASTD方法训练的网络可以更好地学习样本的特征,提高检索性能。