.png){kind=icon}
返回
Continually Evolved Feature and Classifiers Learning for Long-Tailed Class-Incremental Remote Sensing Scene Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2025.3596075.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现实场景下的遥感数据呈现出长尾分布，且随着时间的推移不断涌现新的类别。然而，现有的类别增量遥感分类模型忽视了上述长尾分布现象，这严重损害了其整体优越性能。与此同时，在其他领域发展的长尾类别增量学习（LT-CIL）仅关注尾部类别的分类器决策边界优化，而忽视了特征骨干网络的鲁棒性。由于基础类别与增量类别之间的分布差异，在基础类别上训练的特征骨干网络会导致增量类别出现严重的显著分布偏移。为了解决这些问题，我们提出了一个持续演化的特征与分类器学习（CEF-CL）框架，用于长尾类别增量遥感场景分类（LT-CIRSSC）。具体而言，通过缩放和嫁接尾部类别数据到头部类别数据上，利用头部类别的丰富上下文信息来多样化尾部类别的语义信息，从而提高特征骨干网络的泛化能力。然后，提出一个自适应多尺度特征融合（AMFF）模块，逐尺度耦合头部类别和尾部类别的特征图，以生成能够深度感知头部类别信息的虚拟尾部类别特征，这可以进一步增强分类器决策边界优化的可靠性。此外，将旧类别的样本视为伪尾部类别参与增量学习，这大大缓解了旧类别的灾难性遗忘。在两个遥感基准数据集上的广泛实验表明，与现有的类别增量学习（CIL）方法相比，所提出的CEF-CL具有优越性。
Keyword:
Catastrophic forgetting
class-incremental learning (CIL)
long-tail distribution
remote sensing scene classification (RSSC)
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
查看更多内容