Metaaprendizaje de Orden Superior para Clasificación de Objetos de Teledetección con Pocos Ejemplos

Área de la Ciencia:

• Teledetección
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• Las imágenes de teledetección presentan complejidad de dominio debido a las variaciones de sensores multifuente, lo que desafía los métodos convencionales de pocos ejemplos entre dominios.
• Los métodos existentes a menudo asumen cambios de distribución simples, sin abordar la heterogeneidad inherente a los datos de teledetección.

Objetivo del estudio:

• Proponer un marco novedoso de metaaprendizaje de dominio cruzado (CDML) de primer orden para la clasificación de objetos de teledetección con pocos ejemplos.
• Abordar los desafíos que plantean la complejidad intrínseca del dominio y la heterogeneidad en los datos de teledetección para el aprendizaje con pocos ejemplos.

Principales métodos:

• CDML emplea una tarea de adaptación de dominio de doble etapa, que comprende metaentrenamiento de dominio cruzado (CDMTrain) y metaprueba de dominio cruzado (CDMTest).
• CDMTrain utiliza el muestreo de tareas de pocos ejemplos en múltiples dominios en el bucle interno para un modelo maestro que capture características discriminatorias y divergencia de distribución entre dominios.
• Se propone un modelo de transformación afín aprendible para ajustar adaptativamente las direcciones de actualización, mitigando conflictos en escenarios multimodales.

Principales resultados:

• El método CDML propuesto demuestra un rendimiento superior en comparación con los métodos de vanguardia en cinco puntos de referencia de clasificación de teledetección.
• El paradigma de aprendizaje cíclico alterno captura eficazmente los cambios genuinos de dominio, guiando al modelo hacia un rendimiento equilibrado en múltiples dominios.
• El aprendizaje adaptativo de tareas de dominio iterativo en CDMTest mejora progresivamente la capacidad de generalización de dominio.

Conclusiones:

• CDML ofrece una solución robusta para la clasificación de objetos con pocos ejemplos en teledetección, manejando hábilmente cambios complejos de dominio.
• La capacidad del método para aprender de datos de sensores diversos y adaptarse a dominios no vistos significa un avance significativo en el campo.
• El enfoque propuesto proporciona una base sólida para la investigación futura en aprendizaje entre dominios para aplicaciones de teledetección.