可解释细粒度飞机识别通过深部件解析先前框架用于高分辨率遥感图像

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 遥感 遥感 遥感 遥感

背景情况:

• 飞机识别对于民用和军事应用至关重要,高空间分辨率遥感是关键的方法.
• 目前的数据驱动方法在有限的训练数据中扎,阻碍了有效的特征提取,并导致了低于最佳的识别性能.
• 现有的方法缺乏精确地定位飞机图像中的歧视性区域的能力.

研究的目的:

• 开发一种新的知识驱动的深度学习框架,用于可解释的飞机识别.
• 解决数据驱动方法在特征提取和识别性能方面的局限性,特别是在缺乏培训数据的情况下.
• 通过明确建模飞机结构和利用基于零件的信息来增强飞机识别.

主要方法:

• 提出了基于部分先行分析 (APPEAR) 的可解释的飞机识别框架.
• 模拟飞机结构使用像素级部分解析,将飞机分为五个关键部分 (鼻子,翅膀,机身,尾巴).
• 引入了一个以知识为导向的飞机部件注意 (KAPA) 模块,用于几何不变特征表示和部件重要性的自适应重量.

主要成果:

• 在两个飞机识别数据集上,APPEAR框架实现了卓越的性能.
• 在短暂的学习场景中表现出强大的稳定性,表明在有限的数据下有效性.
• 废弃研究发现机身和机翼是飞机识别最有区别的部分.

结论:

• 拟议的APPEAR框架有效地利用部分分析先验来提高飞机识别精度.
• 基于知识的方法,特别是KAPA模块,通过专注于歧视性部分来增强特征提取.
• APPEAR为飞机识别提供了一个强大的解决方案,其性能优于现有的方法,并显示出对少数射击学习应用的希望.