多对抗开集域适应网络

场景分类准确率最高

针对遥感场景分类中目标域含未知类别的开集场景，通过注意力感知开集反向传播、辅助对抗学习与自适应熵抑制，有效缓解负迁移并提升分类准确率。

Juepeng, Zheng · Yibin, Wen · Mengxuan, Chen · 袁帅 · Li, Weijia · 赵奕 · Wu, Wenzhao · Zhang, Lixian · Dong, Runmin · 付昊桓

ISPRS Journal of Photogrammetry and Remote Sensing 2024

参数信息

平均准确率

75.07 %

较其他开集域适应算法提升

4.52 %

技术优势

明确区分未知类别

通过注意力感知的开集反向传播，网络能更准确地区分目标域中的已知与未知样本，避免未知样本被强行归入已知类别。

缓解负迁移

辅助对抗学习专门针对未知目标样本进行优化，减少强制对齐带来的性能损失，使模型在存在未知类别时表现更稳定。

分类置信度更高

自适应熵抑制增加样本的概率，防止样本被错误分类，从而提升分类结果的可靠性。

性能大幅领先

在三个公开数据集上平均准确率达到 75.07%，比基线深度学习模型高出 18.12 个百分点，证明方法在开集场景下的有效性。

应用场景

• 遥感场景分类：处理实际遥感任务中目标域包含未知场景类别的情况，无需人工重新标注。