元视觉提示微调方法

少样本场景分类更精准

一种面向少样本遥感场景分类的参数高效微调方法，结合元学习框架，避免过拟合并提升跨域适应能力。

Zhu, Junjie · Li, Yiying · Yang, Ke · Guan, Naiyang · Zunlin, Fan · Qiu, Chunping · 易晓东

IEEE Transactions on Geoscience and Remote Sensing 2024

技术优势

跨域适应强

通过元学习优化提示初始化，使模型能快速适应新场景类别，在不同遥感数据集上表现出色。

数据增强通用

所提出的patch embedding重组增强方法可应用于任何以ViT为骨干的网络，提升数据多样性。

应用场景

• 遥感图像分类：用MVP在少样本条件下对遥感图像进行准确分类，减少标注成本。
• 少样本学习：为少样本学习提供高效微调方案，避免全微调过拟合。
• 视觉Transformer：发挥ViT骨干优势，只需训练轻量提示即可适应遥感任务。