一个多任务网络,用于在多种卫星数据上进行联合的多光谱全面研磨

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 基于卷积神经网络 (CNN) 的多谱 (MS) 泛敏化方法通常需要为每个卫星数据集提供单独的培训.
• 这种单任务学习 (STL) 方法忽略了不同卫星图像数据集之间的潜在相关性.

研究的目的:

• 制定一个统一的框架,用于跨多种卫星图像的联合MS全面利.
• 通过提出一个多任务学习 (MTL) 范式来解决STL的局限性.

主要方法:

• 建议建立一个多任务网络 (MTNet),将每个卫星的全面利作为统一框架内的单独任务.
• MTNet采用一个任务无关子网络 (TASNet) 来进行知识共享和特定任务子网络 (TSSNets) 来进行适应.
• 塔斯网集成了变压器模块来捕获全球信息,克服了CNN的本地连接限制.
• 带意识动态卷积 (BDConvs) 被引入,以适应接收场的大小,以适应各种地面场景和光谱频段.

主要成果:

• 跨多个数据集的实验结果证明了拟议的MTNet的优越性.
• 该方法有效地共享通用知识,同时适应特定的卫星数据特征.
• 变压器模块和BDConvs的集成增强了该模型处理各种遥感数据的能力.

结论:

• 与现有的STL方法相比,拟议的MTNet为MS全面研磨提供了更高效和更有效的解决方案.
• 在远程传感图像处理中,MTL提供了一个强大的框架,用于利用数据集之间的相关性.
• 新的组件,TASNet与变压器和BDConvs,大大有助于提高全面利性能.