PulseAugur
中
实时 07:28:26
English(EN) Locally Consistent Transductive Information Maximization for Few-Shot Remote Sensing Scene Classification

新的LC-TIM方法推动少样本遥感场景分类发展

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为局部一致性归纳信息最大化（LC-TIM）的新方法，以改进少样本遥感场景分类。该技术通过强制查询样本与其在特征空间中最接近的邻居之间达成一致来增强现有的归纳推理模型，同时增加了极小的计算开销。该方法还包括一个多源扩展，它融合了来自各种基础模型的信息，以进一步提高准确性，尤其是在低样本场景下。建立了一个全面的基准测试，以在多个数据集和模型上评估LC-TIM与其他方法的性能，证明了其最先进的性能。 AI

影响 增强了遥感领域的少样本学习能力，有可能在数据有限的图像分类任务中提高准确性。

排序理由 该集群描述了一篇关于特定机器学习任务新方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的LC-TIM方法推动少样本遥感场景分类发展

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Karim El Khoury, Beno\^it G\'erin, Beno\^it Macq, Christophe De Vleeschouwer ·

    面向少样本遥感场景分类的局部一致性归纳信息最大化

    arXiv:2607.29192v1 Announce Type: new Abstract: Remote sensing scene classification is increasingly relying on foundation models pre-trained on large-scale Earth-observation data. Moreover, transductive inference, which exploits the collective statistical structure of the entire …

相关实体

相关话题