Будущее дистанционного зондирования: несколько выстрелов и объяснимого искусственного интеллекта

Таблица ссылок

1. Аннотация и введение
2. Фон
3. Тип данных датчика дистанционного зондирования
4. Clarkmark Demote Sensing Dataets для оценки моделей обучения
5. Метрики оценки для нескольких ударов дистанционного зондирования
6. Недавние методы обучения в дистанционном зондировании
7. Обнаружение и сегментация объекта на основе нескольких выстрелов в дистанционном зондировании
8. Обсуждения
9. Численные эксперименты нескольких выстрелов в наборе данных на основе БПЛА
10. Объяснимый ИИ (XAI) в дистанционном зондировании
11. Выводы и будущие направления
12. Благодарности, декларации и ссылки

11 выводов и будущих направлений

В этом всестороннем обзоре мы провели всесторонний анализ недавних методов обучения в нескольких выстрелах для дистанционного зондирования по различным типам данных и платформам. По сравнению с предыдущими обзорами [9], мы расширили объем, включив наборы данных на основе БПК. Наши количественные эксперименты продемонстрировали потенциал нескольких выстрелов в различных наборах данных дистанционного зондирования. Мы также подчеркнули растущую важность XAI для повышения прозрачности модели и достоверности.

В то время как прогресс был достигнут, остаются достаточные возможности для продвижения нескольких выстрелов для дистанционного зондирования. Будущие исследования могут изучить адаптированные несколько выстрелов для данных БПЛА, которые учитывают уникальные характеристики изображения и встроенные вычислительные ограничения. Архитектуры трансформатора зрения также могут быть исследованы для нескольких выстрелов данных с очень высоким разрешением дистанционного зондирования. Ключевой проблемой является снижение расхождения в производительности между воздушными и спутниковыми платформами. Разработка гибких методов, которые эффективно обрабатывают с различными данными, является открытой проблемой, которая требует дальнейшего изучения.

На фронте XAI необходима дальнейшая работа для решения проблем, уникальных для дистанционного зондирования, таких как дефицитные помеченные данные, сложные Земные системы и интеграция знаний о домене в модели. Методы, адаптированные для нескольких выстрелов, в частности, могут извлечь выгоду из дополнительных исследований объяснимой извлечения и принятия решений. Необходимы методы объяснения, которые обеспечивают прозрачность уровня функций и уровня принятия решений, не жертвуя слишком большой точностью или эффективностью. Существует также потенциал для применения нескольких выстрелов и XAI к новым проблемам дистанционного зондирования, таких как обнаружение объектов, семантическая сегментация и мониторинг аномалии.

В конце концов, обучение с несколькими выстрелами показывает растущее перспективу для эффективного и точного анализа данных дистанционного зондирования в масштабе. Интеграция XAI может дополнительно повысить прозрачность, доверие и принятие модели, предоставляя гуманитарные объяснения. В то время как прогресс был достигнут, остаются достаточные проблемы и возможности, чтобы реализовать весь потенциал нескольких выстрелов и XAI в разнообразном и быстро развивающемся ландшафте применения дистанционного зондирования. Достижения в этих взаимосвязанных полях могут проложить путь для систем дистанционного зондирования, которые быстро изучают ограниченные данные, оставаясь, оставаясь прозрачными, подотчетными и справедливыми.

Благодарности

Это исследование/проект поддерживается Управлением гражданской авиации Сингапурского и Наньянского технологического университета Сингапура в рамках их сотрудничества в исследовательском институте управления воздушным движением. Любые мнения, выводы и выводы или рекомендации, выраженные в этом материале, являются мнениями автора (-ов) и не отражают взгляды Управления гражданской авиации Сингапура.

Декларации

Авторы не имеют конфликта интересов для объявления.

Ссылки

[1] Сян, Т., Ся, Г., Чжан, Л. ARXIV 2018. ARXIV PREPRINT ARXIV: 1812.07770 (2018)

[2] Дэн, П., Сюй, К., Хуанг, Х.: Когда CNN встречают видение трансформатор: совместная структура для классификации сцен с дистанционным зондированием. IEEE Geoscience and Remote Sensing Letters 19, 1–5 (2021)

[3] Чжан, Дж., Чжао, Х., Ли, Дж.: TRS: Трансформеры для классификации сцены дистанционного зондирования. Дистанционное зондирование 13 (20), 4143 (2021)

[4] He, J., Zhao, L., Yang, H., Zhang, M., Li, W.: Hsi-Bert: Гиперспектральная классификация изображений с использованием двухнаправленного представления энкодера от трансформаторов. IEEE транзакции по геоссауке и дистанционному зондированию 58 (1), 165–178 (2019)

[5] Zhong, Z., Li, Y., MA, L., Li, J., Zheng, W.-S.: Спектральная сеть трансформаторов для классификации гиперспектральных изображений: факторная структура поиска архитектуры. IEEE транзакции по геоссауке и дистанционному зондированию 60, 1–15 (2021)

[6] Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., Zagoruyko, S.: Обнаружение комплексных объектов с трансформаторами. В: Европейская конференция по компьютерному видению, с. 213–229 (2020). Спрингер

[7] Xu, Z., Zhang, W., Zhang, T., Yang, Z., Li, J.: Эффективный трансформатор для сегментации изображения дистанционного зондирования. Дистанционное зондирование 13 (18), 3585 (2021)

[8] Aleissaee, A.A., Kumar, A., Anwer, R.M., Khan, S., Cholakkal, H., Xia, G.- и др.: Трансформеры в дистанционном зондировании: обзор. Arxiv Preprint arxiv: 2209.01206 (2022)

[9] Sun, X., Wang, B., Wang, Z., Li, H., Li, H., Fu, K.: Прогресс исследования по нескольким выстрелу для интерпретации изображения дистанционного зондирования. IEEE Journal по выбранным темам в прикладных наблюдениях Земли и дистанционном зондировании 14, 2387–2402 (2021)

[10] Liu, X., Yang, T., Li, J.: Обнаружение наземных транспортных средств в реальном времени на аэрофотоснижении на основе сверточной нейронной сети. Электроника 7 (6), 78 (2018)

[11] Масулех, М.К., Шах-Хоссейни, Р. Журнал фотограмметрии и дистанционного зондирования ISPRS 155, 172–186 (2019)

[12] Kyrkou, C., Theocharides, T.: EmergencyNet: эффективная классификация воздушных изображений для экстренного мониторинга на основе беспилотников с использованием слияния Atrous Spilotroal Fusion. IEEE Журнал отдельных тем в прикладных наблюдениях Земли и дистанционном зондировании 13, 1687–1699 (2020)

[13] Hoffer, E., Ailon, N.: Глубокое метрическое обучение с использованием триплетной сети. В кн.: Международный семинар по распознаванию сходства, стр. 84–92 (2015). Спрингер

[14] Hadsell, R., Chopra S., Lecun, Y.: Сокращение размерности за счет изучения инвариантного картирования. В: Конференция IEEE Computer Society 2006 года по компьютерному зрению и распознаванию шаблонов (CVPR’06), Vol. 2, с. 1735–1742 (2006). IEEE

[15] Снелл Дж., Сверки К., Земел Р.: Прототипные сети для нескольких выстрелов. Достижения в системах обработки нейронной информации 30 (2017)

[16] Kakogeorgiou, I., Karantzalos, K.: Оценка объяснимых методов искусственного интеллекта для задач классификации с глубоким обучением в дистанционном зондировании. Международный журнал прикладного наблюдения за землей и геоинформации 103, 102520 (2021)

[17] Su, H., Wei, S., Yan, M., Wang, C., Shi, J., Zhang, X.: Обнаружение объекта и сегментация экземпляра в изображениях дистанционного зондирования на основе точной маски R-CNN. В: IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium, стр. 1454–1457 (2019). IEEE

[18] Конкурс, D.F.: IEEE GRSS Data Fusion Contest Fusion гиперспектральные и лидарные данные (2013)

[19] Wei, S., Zeng, X., Q., Q., Wang, M., Su, H., Shi, J.: Hrsid: набор данных SAR с высоким разрешением для обнаружения судов и сегментации экземпляра. IEEE Access 8, 120234–120254 (2020)

[20] G. de Inteligencia Computacional (GIC), ”Гиперспектральные сцены дистанционного зондирования (2020)

[21] Dam, T.: Разработка генеративных состязательных сетей для классификации и кластеризации: преодоление дисбаланса класса и катастрофическое забывание. Докторская диссертация, UNSW Sydney (2022)

[22] Dam, T., Anavatti, S.G., Abbass, H.A.: Смесь спектральных генеративных состязательных сетей для классификации несбалансированных гиперспектральных изображений. IEEE Geoscience and Remote Sensing Letters 19, 1–5 (2020)

[23] Sumbul, G., Charfuelan, M., Demir, B., Markl, V.: Bigearthnet: крупный контрольный архив для понимания изображения дистанционного зондирования. В: IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium, стр. 5901–5904 (2019). IEEE

[24] Helber, P., Bischke, B., Dengel, A., Borth, D.: Eurosat: новый набор данных и тестер глубокого обучения для классификации землепользования и наземного покрова. IEEE Journal по выбранным темам в прикладных наблюдениях Земли и дистанционном зондировании 12 (7), 2217–2226 (2019)

[25] Schmitt, M., Wu, Y.-L. Arxiv Preprint arxiv: 2104.00704 (2021)

[26] Hu, X., Zhong, Y., Luo, C., Wang, X.: Whu-Hi: Hyperspectral с беспилотником с контрольными наборами данных с высоким пространственным разрешением (H2) для классификации гиперспектральной изображения. Arxiv Preprint arxiv: 2012.13920 (2020)

[27] Ян Ю., Новорс, С.: сумка визуальных слов и пространственные расширения для классификации землепользования. В: Материалы 18 -й Sigspatial International Conference по авансам в географических информационных системах, стр. 270–279 (2010)

[28] Gerke, M.: Использование библиотеки лестничных видов в пределах 2D Semantic Makeling Clinkmark ISPRS (Vaihingen) (2014)

[29] Ченг, Г., Хан, Дж., Лу, х.: Классификация сцены сцены с дистанционным зондированием: эталоны и состояние искусства. Материалы IEEE 105 (10), 1865–1883 ​​(2017)

[30] Xia, G.-S., Yang, W., Delon, J., Gousseau, Y., Sun, H., Maˆıtre, H.: Структурное индексация спутникового изображения с высоким разрешением. В: ISPRS TC VII Симпозиум-100 лет ISPRS, Vol. 38, с. 298–303 (2010)

[31] Xia, G.-S., Hu, J., Hu, F., Shi, B., Bai, X., Zhong, Y., Zhang, L., Lu, X.: Aid: набор данных для оценки эффективности классификации воздушной сцены. IEEE Транзакции по геоссауке и дистанционному зондированию 55 (7), 3965–3981 (2017)

[32] Lee, G.Y., Dam, T., Ferdaus, M.M., Poenar, D.P., Duong, V.N.: Watteffnet: легкая и точная модель для классификации изображений воздушной катастрофы. IEEE Geoscience and Remote Sensing Letters (2023)

[33] Bayanlou, M.R., Хошбореш-Масулех, М.: Многозадачное обучение на изображениях БПЛА с фиксированным крылом для моделирования 2D/3D города. Arxiv Preprint arxiv: 2109.00918 (2021)

[34] Wang, H., Chen, S., Xu, F., Jin, Y.-Q.: Применение алгоритмов глубокого обучения для данных MSTAR. В: 2015 IEEE International Geoscience and Remote Sensing Symposium (Igarss), с. 3743–3745 (2015). IEEE

[35] Huang, L., Liu, B., Li, B., Guo, W., Yu, W., Zhang, Z., Yu, W.: OpenSarship: набор данных, посвященный интерпретации корабля Sentinel-1. IEEE Журнал отдельных тем в прикладных наблюдениях Земли и дистанционном зондировании 11 (1), 195–208 (2017)

[36] Фу, К., Чжан Т., Чжан Ю., Ван З., Солнце, х.: Несколько выстрелов в классификации мишени SAR через металлическое обучение. IEEE транзакции по геоссауке и дистанционному зондированию 60, 1–14 (2021)

[37] Ростами М., Колури С., Итон Э., Ким К.: Классификация изображений SAR с использованием нескольких выстрелов в перекрестной передаче обучения. В кн.: Материалы семинаров IEEE/CVF по компьютерному зрению и распознаванию образцов, стр. 0–0 (2019)

[38] Tuia, D., Volpi, M., Copa, L., Kanevski, M., Munoz-Mari, J.: Обзор алгоритмов активного обучения для контролируемой классификации изображений дистанционного зондирования. IEEE Journal по выбранным темам в обработке сигналов 5 (3), 606–617 (2011)

[39] Camps-Valls, G., Tuia, D., Bruzzone, L., Benediktsson, J.A.: Достижения в классификации гиперспектральных изображений: мониторинг Земли со статистическим обучением. Журнал обработки сигналов IEEE 31 (1), 45–54 (2013)

[40] Zhu, X.X., Tuia, D., Mou, L., Xia, G.-S., Zhang, L., Xu, F., Fraundorfer, F.: Глубокое обучение в дистанционном зондировании: всесторонний обзор и список ресурсов. Журнал IEEE Geoscience and Remote Sensing 5 (4), 8–36 (2017)

[41] Лю, С., Ши, Q., Чжан, Л. Транзакции IEEE по геоссауке и дистанционному зондированию 59 (6), 5085–5102 (2020)

[42] Geng, C., Huang, S.-J., Chen, S.: Последние достижения в области распознавания открытых сет: опрос. IEEE Transactions по анализу шаблонов и интеллектую машин 43 (10), 3614–3631 (2020)

[43] Bai, J., Huang, S., Xiao, Z., Li, X., Zhu, Y., REGAN, A.C., Jiao, L.: Материал Hyperspectral Classification на основе адаптивных подключений и преобразования признаков. IEEE транзакции по геоссауке и дистанционному зондированию 60, 1–17 (2022)

[44] Ding, C., Li, Y., Wen, Y., Zheng, M., Zhang, L., Wei, W., Zhang, Y.: Увеличение классификации гиперспектральных изображений с небольшим выстрелом с использованием псевдо-лабилетного обучения. Дистанционное зондирование 13 (17), 3539 (2021)

[45] Pal, D., Bundele, V., Sharma, R., Banerjee, B., Jeppu, Y.: Непосредственное распознавание с открытым набором гиперспектральных изображений с сетью калибровки выбросов. В кн.: Материалы зимней конференции IEEE/CVF по приложениям Computer Vision, с. 3801–3810 (2022)

[46] Wang, Y., Liu, M., Yang, Y., Li, Z., Du, Q., Chen, Y., Li, F., Yang, H.: Гетерогенное мало выстрела для классификации гиперспектрального изображения. IEEE Geoscience and Remote Sensing Letters 19, 1–5 (2021)

[47] Hu, Y., Huang, Y., Wei, G., Zhu, K.: Гетерогенное немногие выстрелы с дистилляцией знаний для классификации гиперспектральных изображений. В: 2022 2 -я Международная конференция по потребительской электронике и компьютерной технике (ICCECE), с. 601–604 (2022). IEEE

[48] ​​Qu, Y., Baghbaderani, R.K., Qi, H.: Несколько выстрелов-классификации изображений с помощью многозадачного обучения передачи. В: 10 -й семинар 2019 года по гиперспектральной визуализации и обработке сигналов: эволюция в дистанционном зондировании (Whispers), стр. 1–5 (2019). IEEE

[49] Тонг, X., Инь, Дж., Хан, Б., QV, H.: Много выстрела с образованием с обратным графом сверточные сети для классификации гиперспектральных изображений. В: 2020 IEEE Международная конференция по обработке изображений (ICIP), с. 1686–1690 (2020). IEEE

[50] Ян, П., Тонг, Л., Цянь Б., Гао, З., Ю., Дж., Сяо, с.: Гиперспектральная классификация изображений со спектральным и пространственным графом с использованием сети обучения индуктивного представления. IEEE Journal по выбранным темам в прикладных наблюдениях Земли и дистанционном зондировании 14, 791–800 (2020)

[51] Huang, K., Deng, X., Geng, J., Jiang, W.: Самоубийство и взаимопонимание для классификации гиперспектральных изображений с несколькими выстрелами. В: 2021 IEEE International Geoscience and Symposium Symposium Igarss, стр. 2230–2233 (2021). IEEE

[52] Yokoya, N., Iwasaki, A.: Воздушные гиперспектральные данные по Chikusei. Space Appl. Lab., Univ. Токио, Токио, Япония, технология. Член палаты представителей SAL-2016-05-27 5 (2016)

[53] Zhao, Y., Ha, L., Wang, H., MA, X.: Небольшое инкрементальное обучение класса для классификации гиперспектральной изображения на основе постоянно обновляемого классификатора. В: Igarss 2022-2022 IEEE International Geoscience Symposium, стр. 1376–1379 (2022). IEEE

[54] Bai, J., Lu, J., Xiao, Z., Chen, Z., Jiao, L.: Генеративные состязательные сети, основанные на кодере трансформатора и блоке свертки для классификации гиперспектральных изображений. Дистанционное зондирование 14 (14), 3426 (2022)

[55] Хуанг З., Тан, Х., Ли, Ю., С., В.: HFC-SST: улучшенный пространственный спектральный трансформатор для гиперспектральной классификации. Журнал прикладного дистанционного зондирования 17 (2), 026509–026509 (2023)

[56] Пенг Ю., Лю, Ю., Ту, Б., Чжан, Ю. IEEE Journal по выбранным темам в прикладных наблюдениях Земли и дистанционном зондировании 16, 1335–1349 (2023)

[57] Ran, Q., Zhou, Y., Hong, D., Bi, M., Ni, L., Li, X., Ahmad, M.: Глубокий трансформатор и несколько выстрелов для классификации гиперспектральных изображений. Сделки CAAI по интеллектуальной технологии (2023)

[58] Liu, L., Zuo, D., Wang, Y., Q, H.: Обучение с небольшим выстрелом с обратной связью для классификации гиперспектральных изображений с малым размером. IEEE Geoscience and Remote Sensing Letters 19, 1–5 (2022)

[59] Li, A., Lu, Z., Wang, L., Xiang, T., Wen, J.-R.: Классификация сцены с нулевым выстрелом для изображений с высоким пространственным разрешением. IEEE Транзакции по геоссауке и дистанционному зондированию 55 (7), 4157–4167 (2017)

[60] Zou, Q., Ni, L., Zhang, T., Wang, Q.: Выбор функций на основе глубокого обучения для классификации сцены дистанционного зондирования. IEEE Geoscience and Remote Sensing Letters 12 (11), 2321–2325 (2015)

[61] Церковь, К.В.: Word2VEC. Инжиниринг естественного языка 23 (1), 155–162 (2017)

[62] Al-Haddad, L.A., Jaber, A.A.: Интеллектуальный подход к диагностике неисправностей для многоотровневых беспилотных летательных аппаратов, основанный на глубокой нейронной сети функций преобразования с несколькими разрешениями. Дроны 7 (2), 82 (2023)

[63] Хошборш-Масулех, М., Шах-Хоссейни, Р.: Мультимодальное обнаружение целей с небольшим выстрелом на основе анализа неопределенности на изображениях временных рядов. Дроны 7 (2), 66 (2023)

[64] Hamzaoui, M., Chapel, L., Pham, M.T., Lef`evre, S.: Иерархическая прототипическая сеть для классификации сцены дистанционного зондирования. В кн.: Международная конференция по распознаванию образцов и искусственному интеллекту, с. 208–220 (2022). Спрингер

[65] Zeng, Q., Geng, J.: Задача специфического контрастного обучения для классификации сцены сцены с дистанционным зондированием. Журнал фотограмметрии и дистанционного зондирования ISPRS 191, 143–154 (2022)

[66] Юань З., Хуанг В., Ли Л., Луо, х. Классификация сцены с многопользовательской сетью Deepemd в дистанционном зондировании. IEEE Access 9, 19891–19901 (2020)

[67] Wang, Q., Liu, S., Chanussot, J., Li, X.: Классификация сцены с повторяющимся вниманием к изображениям дистанционного зондирования VHR. IEEE транзакции по геоссауке и дистанционному зондированию 57 (2), 1155–1167 (2018)

[68] Ким, Дж., Чи, М.: Саффнет: Фунсионерская сеть, основанная на самообеспечении, за дистанционное определение классификации сцены. Дистанционное зондирование 13 (13), 2532 (2021)

[69] Huang, W., Yuan, Z., Yang, A., Tang, C., Luo, x.: Tae-Net: Адаптивная сеть встраиваемой встраиваемости для нескольких выстрелов. Дистанционное зондирование 14 (1), 111 (2021)

[70] Wang, K., Wang, X., Cheng, Y.: Несколько выстрелов в классификации воздушных изображений с глубокой экономической сетью и знаниями учителей. Международный журнал дистанционного зондирования 43 (13), 5075–5099 (2022)

[71] Ли, Л., Хан, Дж., Яо, Х., Ченг, Г., Го, Л. IEEE транзакции по геоссауке и дистанционному зондированию 59 (9), 7844–7853 (2020)

[72] Jiang, N., Shi, H., Geng, J.: Многомасштабное слияние функций на основе графиков для классификации сцены сцены с дистанционным зондированием. Дистанционное зондирование 14 (21), 5550 (2022)

[73] Юань З., Хуанг В., Тан, С., Ян, А., Луо, х.: Внедрение сглаживающей сети на основе графика для классификации сцены сцены сцены. Дистанционное зондирование 14 (5), 1161 (2022)

[74] Tai, Y., Tan, Y., Xiong, S., Sun, Z., Tian, ​​J.: Обучение в нескольких выстрелах для классификации изображений SAR без дополнительных образцов SAR. IEEE Журнал отдельных тем в прикладных наблюдениях Земли и дистанционном зондировании 15, 2240–2253 (2022)

[75] Hammell, R.: Данные, полученные из Kaggle. Доступ: 1 февраля (2019)

[76] Schwegmann, C., Kleynhans, W., Salmon, B., Mdakane, L., Meyer, R.: Набор данных SAR Ship для обнаружения, дискриминации и анализа. IEEE DATAPORT (2017)

[77] Gao, F., Xu, J., Lang, R., Wang, J., Hussain, A., Zhou, H.: Метод обучения с несколькими выстрелами для изображений SAR на основе весового расстояния и слияния функций. Дистанционное зондирование 14 (18), 4583 (2022)

[78] Schwegmann, C.P., Kleynhans, W., Salmon, B.P., Mdakane, L.W., Meyer, R.G.: Очень глубокое обучение для дискриминации корабля в синтетической апертуре. В: Симпозиум IEEE IEEE IEEE International Geoscience and Remote Sensing (IGARSS), стр. 104–107 (2016). IEEE

[79] Wang, K., Qiao, Q., Zhang, G., Xu, Y.: Непосредственное распознавание цели SAR на основе глубокого обучения ядра. IEEE Access 10, 89534–89544 (2022)

[80] Yang, R., Xu, X., Li, X., Wang, L., Pu, F.: Обучение к нейронной сети Graph для SAR Изображение. В кн.: Igarss 2020-2020 IEEE Международный симпозиум Geoscience and Remote Sensing, с. 1743–1746 (2020). IEEE

[81] Sung, F., Yang, Y., Zhang, L., Xiang, T., Torr, P.H., Hospedales, T.M.: Обучение для сравнения: сеть отношений для нескольких выстрелов. В: Труды Конференции IEEE по компьютерному зрению и распознаванию образцов, стр. 1199–1208 (2018)

[82] Zhao, X., LV, X., Cai, J., Guo, J., Zhang, Y., Qiu, X., Wu, Y.: Maless SAR-ATR на основе трансформатора с акцентом. Дистанционное зондирование 14 (8), 1884 (2022)

[83] Ван, С., Хуанг Ю., Лю, Х., Пей Дж., Чжан Ю., Ян Дж. IEEE Geoscience and Remote Sensing Letters 19, 1–5 (2022)

[84] Ян, М., Бай, X., Ван, Л., Чжоу, Ф.: Сеть внимания смешанного потери для нескольких выстрелов в целевой классификации SAR. IEEE транзакции по геоссауке и дистанционному зондированию 60, 1–13 (2021)

[85] Li, K., Wan, G., Cheng, G., Meng, L., Han, J.: Обнаружение объекта на оптических изображениях дистанционного зондирования: обзор и новый эталон. Журнал фотограмметрии и дистанционного зондирования ISPRS 159, 296–307 (2020)

[86] Хан, Дж., Чжан Д., Ченг, Г., Лю Н., Сюй, д. Журнал обработки сигналов IEEE 35 (1), 84–100 (2018)

[87] Zhu, H., Chen, X., Dai, W., Fu, K., Ye, Q., Jiao, J.: Ориентационное обнаружение объектов на воздушных изображениях с использованием глубокой сверточной нейронной сети. В: 2015 Международная конференция IEEE по обработке изображений (ICIP), с. 3735–3739 (2015). IEEE

[88] Яо Х., Цинь Р., Чен, х.: Беспилотный воздушный автомобиль для применений дистанционного зондирования - обзор. Дистанционное зондирование 11 (12), 1443 (2019)

[89] Mundhenk, T.N., Konjevod, G., Sakla, W.A., Boakye, K.: Большой контекстуальный набор данных для классификации, обнаружения и подсчета автомобилей с глубоким обучением. В кн.: Компьютерное видение-ECCV 2016: 14-я Европейская конференция, Амстердам, Нидерланды, 11-14 октября 2016 г., Труды, часть III 14, с. 785–800 (2016). Спрингер

[90] Чжан Ю., Юань Ю., Фенг Ю., Лу, Х.: Иерархическая и надежная сверточная нейронная сеть для обнаружения удаленного чувствительного объекта с высоким разрешением. IEEE транзакции по геоссауке и дистанционному зондированию 57 (8), 5535–5548 (2019)

[91] Лу, X., Чжан Ю., Юань Ю., Фенг, Y.: Загрязненная и концентрированная ось сеть локализации для обнаружения объекта дистанционного зондирования. IEEE транзакции по геологическому и дистанционному зондированию 58 (1), 179–192 (2019)

[92] Li, X., Deng, J., Fang, Y.: Обнаружение объекта с несколькими выстрелами на изображениях дистанционного зондирования. IEEE транзакции по геоссауке и дистанционному зондированию 60, 1–14 (2021)

[93] Wolf, S., Meier, J., Sommer, L., Beyerer, J.: Обнаружение объекта на основе предиктора на основе двойной головы для воздушных изображений. В кн.: Материалы Международной конференции IEEE/CVF по компьютерному видению, стр. 721–731 (2021)

[94] Ченг Г., Ян Б., Ши, П., Ли К., Яо, Х., Го, Л., Хан, Дж.: Прототипенн для обнаружения нескольких выстрелов на изображениях дистанционного зондирования. IEEE Транзакции по геоссауке и дистанционному зондированию 60, 1–10 (2021)

[95] Gao, Y., Hou, R., Gao, Q., Hou, Y.: Быстрый и точный детектор с несколькими выстрелами для объектов с меньшим количеством пикселей на изображении дронов. Электроника 10 (7), 783 (2021)

[96] Jeune, P.L., Mokraoui, A.: Переосмысление пересечения над Союзом для обнаружения небольших объектов в нескольких выстрелах. Arxiv Preprint arxiv: 2307.09562 (2023)

[97] Xiao, Z., Qi, J., Xue, W., Zhong, P.: Обнаружение объекта с несколькими выстрелами с сетью самостоятельного внимания для изображений дистанционного зондирования. IEEE Journal по выбранным темам в прикладных наблюдениях Земли и дистанционном зондировании 14, 4854–4865 (2021)

[98] Li, J., Tian, ​​Y., Xu, Y., Hu, X., Zhang, Z., Wang, H., Xiao, Y.: Mmrcnn: к обнаружению нескольких выстрелов в изображениях дистанционного зондирования с мета-памятью. IEEE транзакции по геоссауке и дистанционному зондированию 60, 1–14 (2022) [

99] Wang, R., Wang, Q., Yu, J., Tong, J.: Многомасштабное обнаружение объектов на основе самообладания на основе самооценки для изображений дистанционного зондирования. В: 2022 IEEE 24 -й международный семинар по обработке мультимедийного сигнала (MMSP), стр. 1–7 (2022). IEEE

[100] Zhang, S., Song, F., Liu, X., Hao, X., Liu, Y., Lei, T., Jiang, P.: Текстовый семантический график отношения слияния для обнаружения объектов с изображениями удаленного зондирования. Дистанционное зондирование 15 (5), 1187 (2023)

[101] Liu, N., Xu, X., Celik, T., Gan, Z., Li, H.-C.: Трансформация-инвариантная сеть для обнаружения объектов с небольшим выстрелом на изображениях дистанционного зондирования. Arxiv Preprint arxiv: 2303.06817 (2023)

[102] Petsiuk, V., Jain, R., Manjunatha, V., Morariu, V.I., Mehra, A., Ordonez, V., Saenko, K.: Объяснение детекторов объектов с помощью карт значимости. В: Труды конференции IEEE/CVF по компьютерному зрению и распознаванию шаблонов, стр. 11443–11452 (2021)

[103] Ху, Б., Тунисон, П., Ричардвебстер Б., Хугс, А.: Xaitk-Saliecty: открытый инструментарий ИИ с открытым исходным кодом для значимости. В кн.: Труды конференции AAAI по искусственному интеллекту, вып. 37, с. 15760–15766 (2023)

[104] Нгуен Т., Миллер И.Д., Коэн А., Такур Д., Гуру А., Прасад С., Тейлор С.Дж., Чаудхари П., Кумар В. IEEE Robotics and Automation Letters 6 (3), 5032–5039 (2021)

[105] Liu, S., Zhang, L., Hao, S., Lu, H., He, Y.: Полярный луч: одноступенчатый детектор без угла для обнаружения ориентированного объекта на воздушных изображениях. В: Материалы 29 -й Международной конференции ACM по мультимедиа, с. 3124–3132 (2021)

[106] Ченг, Г., Ланг, С., Ву, М., Xie, X., Яо, Х., Хан, Дж.: Сеть улучшения функций для обнаружения объектов на оптических изображениях дистанционного зондирования. Журнал дистанционного зондирования 2021 (2021)

[107] Le Jeune, P., Mokraoui, A.: Улучшение обнаружения объектов с небольшим выстрелом с помощью анализа производительности на воздушных и естественных изображениях. В: 2022 30 -я Европейская конференция по обработке сигналов (EUSIPCO), с. 513–517 (2022). IEEE

[108] Li, L., Yao, X., Cheng, G., Han, J.: AIFS-Dataset для нескольких выстрелов. IEEE транзакции по геоссауке и дистанционному зондированию 60, 1–11 (2022)

[109] Su, H., You, Y., Meng, G.: Многомасштабный контекст-r-CNN для обнаружения объектов с несколькими выстрелами в изображениях дистанционного зондирования. В: Igarss 2022-2022 IEEE International Geoscience Symposium, стр. 1908–1911 (2022). IEEE

[110] Су, Б., Чжан, Х., Ву, З., Чжоу, З. IEEE транзакции по интеллектуальным транспортным системам 23 (12), 24379–24388 (2022)

[111] Lu, X., Sun, X., Diao, W., Mao, Y., Li, J., Zhang, Y., Wang, P., Fu, K.: Обнаружение объекта с несколькими выстрелами в воздушных изображениях, руководствовавшихся знанием текста-модальных. IEEE транзакции по геоссауке и дистанционному зондированию 61, 1–19 (2023)

[112] Wang, B., MA, G., Sui, H., Zhang, Y., Zhang, H., Zhou, Y.: Обнаружение объектов с небольшим выстрелом в изображениях дистанционного зондирования через зависимости контекста предохранителя и глобальные особенности. Дистанционное зондирование 15 (14), 3462 (2023)

[113] Yao, X., Cao, Q., Feng, X., Cheng, G., Han, J.: Масштабное подробное сопоставление для семантической сегментации воздушного изображения. IEEE Транзакции по геоссауке и дистанционному зондированию 60, 1–11 (2021)

[114] Chen, Y., Wei, C., Wang, D., Ji, C., Li, B.: Полупроницаемое контрастное обучение для нескольких выстрелов для сегментации изображений дистанционного зондирования. Дистанционное зондирование 14 (17), 4254 (2022)

[115] Cao, Q., Chen, Y., Ma, C., Yang, X.: Семантическая сегментация с немногим вращением. Arxiv Preprint arxiv: 2306.11734 (2023)

[116] Zhang, P., Bai, Y., Wang, D., Bai, B., Li, Y.: Несколько выстрелов классификации изображений воздушной сцены с помощью мета-обучения. Дистанционное зондирование 13 (1), 108 (2020)

[117] Puthumanaillam, G., Verma, U.: Прототипическая сеть, основанная на текстуре, для нескольких выстрелов семантической сегментации лесного покрова: обобщение для различных географических регионов. Нейрокомпьютинг 538, 126201 (2023)

[118] Lang, C., Cheng, G., Tu, B., Han, J.: Глобальное исправление и отделение регистрации на несколько выстрелов в снимках в снимках дистанционного зондирования. IEEE Транзакции по геологии и дистанционному зондированию (2023)

[119] Lang, C., Wang, J., Cheng, G., Tu, B., Han, J.: Прогрессивное анализ и дистилляция общности для сегментации дистанционного зондирования. IEEE Транзакции по геологии и дистанционному зондированию (2023)

[120] Гали Р., Ахлуфи, М.А. Удаленное зондирование 15 (7), 1821 (2023) [121] Парк, Дж., Чо, Ю.К., Ким, С.: Глубокое сегментация изображений БПЛА на основе обучения для создания ортомозаики без транспортных средств. Международный журнал прикладного наблюдения за землей и геоинформации 115, 103111 (2022)

[122] Song, K., Zhang, Y., Bao, Y., Zhao, Y., Yan, Y.: Самостоятельная смешанная сеть внимания для трехмодальных изображений несколько выстрела семантической сегментации. Датчики 23 (14), 6612 (2023)

[123] Wang, B., Wang, Z., Sun, X., Wang, H., Fu, K.: DMML-Net: глубокое метаметрическое обучение для сегментации географических объектов с небольшим выстрелом в изображениях дистанционного зондирования. IEEE Транзакции по геоссауке и дистанционному зондированию 60, 1–18 (2021)

[124] Ван, З., Цзян, З., Юань, Ю.: Обучение в очереди для многоклассной семантической сегментации. В: 2022 IEEE Международная конференция по обработке изображений (ICIP), с. 1721–1725 (2022). IEEE

[125] Finn, C., Abbeel, P., Levine, S.: Модель-агрессивный мета-обучение для быстрой адаптации глубоких сетей. В кн.: Международная конференция по машинному обучению, с. 1126–1135 (2017). PMLR

[126] Хан С., Мао Х., Далли В.Дж.: Глубокое сжатие: сжатие глубоких нейронных сетей с обрезкой, обученным квантованием и кодированием Хаффмана. Arxiv Preprint arxiv: 1510.00149 (2015)

[127] Pham, H., Guan, M., Zoph, B., Le, Q., Dean, J.: Эффективный поиск нейронной архитектуры посредством обмена параметрами. В кн.: Международная конференция по машинному обучению, стр. 4095–4104 (2018). PMLR

[128] Ham, T.J., Lee, Y., Seo, S.H., Kim, S., Choi, H., Jung, S.J., Lee, J.W.: ELSA: Аппаратное обеспечение совместного обеспечения для эффективного, легкого механизма самоуправления в нейральных сетях. В: 2021 ACM/IEEE 48 -й ежегодный международный симпозиум по компьютерной архитектуре (ISCA), стр. 692–705 (2021). IEEE

[129] Vinynals, O., Blundell, C., Lillicrap, T., Wierstra, D., et al.: Соответствующие сети для одного выстрела. Достижения в области систем обработки нейронной информации 29 (2016)

[130] Wang, Y., Chao, W.-L., Weinberger, K.Q., van der Maaten, L.: SimpleShot: пересмотр классификации ближайшего соседского для нескольких выстрелов. Arxiv Preprint arxiv: 1911.04623 (2019)

[131] Орешкин Б., Родригес Лопес, П., Лакост, а. Достижения в системах обработки нейронной информации 31 (2018)

[132] Sun, Q., Liu, Y., Chua, T.-S., Schiele, B.: Мета-переносное обучение для обучения с несколькими выстрелами. В кн.: Труды конференции IEEE/CVF по компьютерному зрению и распознаванию шаблонов, стр. 403–412 (2019)

[133] Jian, Y., Torresani, L.: Галлюцинация ярлыка для нескольких выстрелов. В кн.: Труды конференции AAAI по искусственному интеллекту, вып. 36, с. 7005–7014 (2022)

[134] Мохан, А., Пейплс, Дж.: Количественный анализ первичной атрибуции объяснимых методов искусственного интеллекта для классификации изображений дистанционного зондирования. Arxiv Preprint arxiv: 2306.04037 (2023)

[135] Ван, Д., Ян, Q., Абдул А., Лим, Б.Ю.: Проектирование теории, управляемое пользователем, объясняемой ИИ. В: Материалы CHI Conference 2019 по человеческим факторам в вычислительных системах, стр. 1–15 (2019)

[136] Арриета, А.Б., Диаз-Родр-Авгес, Н., Дель Сер, Дж., Беннетот, А., Табик, С., Барбадо, А., Гарция, С., Гил-Лопес, С., Молина, Д., Бенджаминс, Р. и др.: Объясняемый искусственный интеллект (XAI): концепции, таксономики, возможности и вызовы. Информация Fusion 58, 82–115 (2020)

[137] Ling, J., Templeton, J.: Оценка алгоритмов машинного обучения для прогнозирования областей высокого Рейнольдса усреднила неопределенность Navier Stokes. Физика жидкости 27 (8) (2015)

[138] Шейх, Т.А., Расул Т., Одинокий, Ф.Р.: Для использования роли машинного обучения и искусственного интеллекта в точном сельском хозяйстве и интеллектуальном сельском хозяйстве. Компьютеры и электроника в сельском хозяйстве 198, 107119 (2022)

[139] Ишикава, С.-Н., Тодо, М., Таки, М., Учияма, Ю., Мацунага К., Лин, П., Огихара, Т., Ясуи, М.: Объясняемый ИИ на основе примеров и его применение для классификации изображений сдаточного определения. Международный журнал прикладного наблюдения за землей и геоинформации 118, 103215 (2023)

[140] Temenos, A., Tzortzis, I.N., Kaselimi, M., Rallis, I., Douramis, A., Douramis, N.: Новое понимание пространственной эпидемиологии с использованием объяснимого AI (Xai) и отдаленного чувства. Дистанционное зондирование 14 (13), 3074 (2022)

[141] Sirmacek, B., Vinuesa, R.: Удаленное зондирование и AI для создания приложений адаптации климата. Результаты инженерии 15, 100524 (2022)

[142] Gevaert, C.M.: Объясняемое ИИ для наблюдения за Землей: обзор, включая социальные и регулирующие перспективы. Международный журнал прикладного наблюдения за землей и геоинформации 112, 102869 (2022)

[143] Chattopadhay, A., Sarkar, A., Howlader, P., Balasubramanian, V.N.: Grad-Cam ++: Обобщенные визуальные объяснения на основе градиента для глубоких сверточных сетей. В: Зимняя конференция IEEE 2018 года по приложениям Computer Vision (WACV), с. 839–847 (2018). IEEE

[144] Selvaraju, R.R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., Batra, D.: Grad-Cam: Визуальные объяснения из глубоких сетей посредством локализации на основе градиентов. В кн.: Материалы Международной конференции IEEE по компьютерному видению, стр. 618–626 (2017)

[145] Шрикумар А., Гринсайд П., Кундадж, А.: Обучение важными особенностями посредством распространения различий в активации. В кн.: Международная конференция по машинному обучению, с. 3145–3153 (2017). PMLR

[146] Wang, H., Wang, Z., Du, M., Yang, F., Zhang, Z., Ding, S., Mardziel, P., Hu, X.: Оценка Cam: Взвешенные визуальные объяснения для сверточных нейронных сетей. В кн.: Материалы конференции IEEE/CVF по компьютерному зрению и семинарам по распознаванию образцов, стр. 24–25 (2020)

[147] Schulz, K., Sixt, L., Tombari, F., Landgraf, T.: Ограничение потока: информационные узкие места для атрибуции. Arxiv Preprint arxiv: 2001.00396 (2020)

[148] Лю, Дж.: Модель обнаружения объектов с несколькими выстрелами на основе мета-обучения для БПЛА. В: Пятая Международная конференция по мехатронике и компьютерным технологиям (MCTE 2022), Vol. 12500, с. 1468–1474 (2022). Шпин

[149] Li, L., Wang, B., Verma, M., Nakashima, Y., Kawasaki, R., Nagahara, H.: Scouter: Слот, основанный на внимании, для объяснения распознавания изображения. В: Материалы Международной конференции IEEE/CVF по компьютерному видению, стр. 1046–1055 (2021)

[150] Wang, B., Li, L., Verma, M., Nakashima, Y., Kawasaki, R., Nagahara, H.: Сопоставьте их: визуально объясняемая классификация изображений. Прикладная интеллект, 1–22 (2022)

[151] Jetley, S., Lord, N.A., Lee, N., Torr, P.H.: Научитесь обращать внимание. Arxiv Preprint arxiv: 1804.02391 (2018)

[152] Hong, J., Fang, P., Li, W., Zhang, T., Simon, C., Harandi, M., Petersson, L. В кн.: Труды конференции IEEE/CVF по компьютерному зрению и распознаванию шаблонов, стр. 913–923 (2021)

[153] Юань Х., Тан, Дж., Ху, Х., Джи, С.: XGNN: На пути к объяснениям на уровне моделей графических нейронных сетей. В: Материалы 26 -й Международной конференции ACM SIGKDD по обнаружению знаний и добыче данных, стр. 430–438 (2020)

[154] Moura, L.V.D., Mattjie, C., Dartora, C.M., Barros, R.C., Marques Da Silva, A.M.: Объяснимое машинное обучение для классификации Pneumonia Covid-19 с экстракцией функций на основе текстур в рентгенографии грудной клетки. Границы в цифровом здоровье 3, 662343 (2022)

[155] Cheng, H., Zhou, J.T., Tay, W.P., Wen, B.: Полезные графические нейронные сети для нескольких выстрелов. В: 2022 IEEE 5 -я Международная конференция по обработке и поиску информации о мультимедиа (MIPR), стр. 152–157 (2022). IEEE

[156] Selvaraju, R.R., Das, A., Vedantam, R., Cogswell, M., Parikh, D., Batra, D.: Grad-Cam: Почему вы это сказали? Arxiv Preprint arxiv: 1611.07450 (2016)

[157] Pintelas, E., Livieris, то есть, Pintelas, P.: Объяснимая структура извлечения и прогнозирования признаков для 3D -распознавания изображений, применяемой к обнаружению пневмонии. Электроника 12 (12), 2663 (2023)

[158] Рудин, C.: Перестань объяснять модели черного ящика машинного обучения для решений на высоких ставках и вместо этого используйте интерпретируемые модели. Интеллект природы 1 (5), 206–215 (2019)

[159] Letham, B., Rudin, C., McCormick, T.H., Madigan, D.: Интерпретируемые классификаторы с использованием правил и байесовского анализа: создание лучшей модели прогнозирования инсульта (2015)

[160] Ribeiro, M.T., Singh S., Guestrin, C.: «Почему я должен вам доверять?» Объяснение прогнозов любого классификатора. В: Материалы 22 -й Международной конференции ACM SIGKDD по обнаружению знаний и добыче данных, стр. 1135–1144 (2016)

[161] Агарвал, А., Бейгельзимер, А., Дудак, М., Лэнгфорд, Дж., Уоллах, Х.: Подход сокращения к справедливой классификации. В кн.: Международная конференция по машинному обучению, стр. 60–69 (2018). PMLR

[162] Zemel, R., Wu, Y., Swersky, K., Pitassi, T., Dwork, C.: Обучающие ярмарки. В кн.: Международная конференция по машинному обучению, стр. 325–333 (2013). PMLR