摘要

本文提出了一种用于遥感图像场景分类的无监督少样本持续学习方法（UNISA）。该方法解决了遥感图像分析中因相机参数、光谱范围、分辨率等变化而导致的持续学习问题，同时避免了对大量标注样本的依赖，适用于标注成本昂贵的遥感应用。

原理

UNISA 基于原型散射和正采样的概念进行表示学习，通过对比学习和非对比学习的结合，在避免类冲突问题的同时实现均匀表示。此外，UNISA 采用了平坦学习和广泛学习的概念来解决灾难性遗忘问题，通过引入小随机噪声和夹紧网络参数来寻找平坦的局部最优区域。

流程

在基础学习阶段，UNISA 通过最小化原型散射损失和正采样对齐损失来学习表示，同时利用平坦学习和广泛学习来解决灾难性遗忘问题。在少样本学习阶段，UNISA 应用特征空间数据增强策略和基于正则化的方法来处理数据稀缺和灾难性遗忘问题。

应用

UNISA 可应用于遥感图像分析、地球观测、灾害监测、城市规划等领域，为解决遥感应用中的持续学习问题提供了一种有效的解决方案。