暹罗卷积神经网络提升遥感场景分类：Siamese CNN与度量学习策略

本文主要探讨了暹罗卷积神经网络(Siamese Convolutional Neural Networks, SCNN)在遥感场景分类中的应用，针对遥感领域中普遍存在的问题——大量卫星图像缺乏丰富标签信息以及数据集类别规模小、图像多样性不足。卷积神经网络（CNN）因其强大的特征提取能力，为解决这类问题提供了新的思路。传统的CNN主要用于图像识别，但在遥感场景分类中，单一的识别模型可能不足以充分利用数据的全部潜力。 Siamese CNN的设计策略是将识别模型和验证模型结合起来，通过双胞胎网络结构，一个网络分支负责特征提取，另一个网络分支处理相似性度量。这种设计允许网络在学习过程中同时考虑图像的内在特征和它们之间的关系，从而提高模型的泛化能力和鲁棒性。关键在于，文中引入了度量学习的正则化术语，这一环节对于提升网络的性能至关重要，它确保了从CNN学到的特征能够有效地进行有效的类别区分和相似性判断。 作者对三个常用的遥感数据集进行了详细的性能评估，包括对比实验，结果显示，他们提出的Siamese CNN方法在场景分类任务上表现优于现有的传统方法。这种方法不仅提高了分类精度，还能够处理小规模类别和低多样性数据，展示了在资源有限的情况下，深度学习技术如何通过智能架构设计来弥补数据质量上的不足。 本文的贡献在于提出了一种创新的解决方案，即通过Siamese CNN和度量学习正则化，提升了遥感场景分类的性能，并验证了其在实际遥感数据集上的有效性。这为遥感领域中如何更有效地利用深层学习技术解决标注稀疏问题提供了新的研究方向。