.png){kind=icon}
返回
DiffPR-Net: Few-Shot Remote Sensing Scene Classification Based on Generative Diffusion and Prototype Rectified Model
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2025.3528071.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
少镜头遥感场景分类 (fsrsc) 旨在从有限的标记样本中识别看不见的场景课程，面临着准确建模数据分布并在具有高类内方差和类间相似性的复杂背景中保留图像细节的挑战。为了应对这一挑战，我们提出了一种新颖的扩散原型整流网络 (diffpr-net)，它由三个核心模块组成: 扩散增强 (DA)，双重注意力融合模块 (DAFM) 和原型整流模块 (PRM)。构建DA以生成高质量的遥感图像，目的是增强训练数据集。此外，DAFM通过将高度融合的图像细节特征从较高层传输到较低层，有助于模型聚焦判别区域。此外，PRM通过基于预测置信度将临时标签自适应地分配给未标记的数据来解决原型偏差，从而校正初始原型。实验表明，我们提出的方法非常有前途，可以实现竞争性或最先进的 (SOTA) 分类性能，同时解决了遥感数据的稀缺性并增强了对判别区域的关注。
Keyword:
Remote sensing
Prototypes
Scene classification
Diffusion models
Feature extraction
Training
Data models
Data augmentation
Sensors
Semantics
diffusion model
few-shot remote sensing scene classification (FSRSSC)
prototype network
期刊
IF:
8.6
论文数:
2.2W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
Sensorless Control of Z Source Inverter fed BLDC Motor Drive by FOC - DTC Hybrid Control Strategy Using Fuzzy Logic Controller采用模糊逻辑控制器的foc-dtc混合控制策略的Z源逆变器馈电BLDC电机驱动的无传感器控制
PREAI
分享收藏
Personalized Multiparty Few-Shot Learning for Remote Sensing Scene Classification个性化多方少拍学习在遥感场景分类中的应用
PREAI
分享收藏
分享收藏
查看更多内容