RA-ProtoNet:基于元学习的小样本遥感场景分类方法

深度学习在解决遥感影像场景分类问题中发挥了重要作用,但在某些特定的遥感场景分类问题中,存在可训练带标签样本严重不足的情况(单类样本数少于10),造成现有的传统深度模型分类效果不理想.针对上述问题,提出一种小样本遥感场景分类方法,并构建一种基于元学习(meta-learning)训练策略的模型ResNet14-Attention-ProtoNet(RA-ProtoNet).首先,采用预训练的深度残差网络ResNet14作为特征嵌入模块,提取遥感影像深度特征;其次,针对同类样本特征不明显会对类级(class-level)表达造成的干扰问题,在类级表达模块,采用基于双向长短期记忆网络(Bi-LSTM)的注意力机制强化类内样本信息,生成样本的类级特征表达;最后,利用欧氏距离度量待分类样本与类级特征之间的距离,实现分类预测.在UCMERCED、AID-30和NWPU-RESISC45等3个遥感影像数据集上,将所提方法与基于迁移学习和现有元学习方法的遥感场景分类方法进行对比实验,在5-way 5-shot条件下,所提方法的整体场景分类精度分别达到81.30％、83.29％和81.22％.实验结果表明,所提方法可以有效挖掘类内样本信息,在极小样本条件下获得更高的遥感影像场景分类精度.