智能识别已知和未知飞机 -- 从分类到相似性学习的战斗鉴定转变
内容提要
该文综述了遥感图像中飞机检测与分类的深度学习研究，涵盖混合聚类主动学习、多模态自监督网络、零迁移学习、FGVC-Aircraft数据集、光学遥感目标检测综述、半监督联邦学习、场景分类综述、少样本检测及多光谱融合等方法进展与挑战。
延伸解读
从分类到相似性学习的范式转变
文章标题点明“从分类到相似性学习的战斗鉴定转变”，这呼应了文中多项研究：零迁移学习利用辅助信息学习兼容性函数以识别未见过类别；少样本检测采用原型网络，通过嵌入向量与类别原型的距离确定分类得分。这些方法不再依赖固定类别分类器，而是转向相似性度量，以应对未知飞机识别。
数据与模态的多样性挑战
文中涉及多种数据与模态：FGVC-Aircraft提供100种机型、10000张图像，但飞机形变少而设计、品牌等变化模式有趣；SAR影像细粒度分类需多模态自监督网络；多光谱与多传感器融合被证明有益。这表明飞机识别需应对光学、SAR、多光谱等不同数据特性，单一模态难以覆盖所有场景。
隐私与异质环境下的联邦学习
半监督联邦学习框架被用于无人机图像识别，通过模型参数混合策略保护数据隐私。针对不同相机模块、地域环境导致的数据统计异质性，提出基于客户端频率的聚合规则调整本地模型权重。这提示在实际部署中，需考虑数据分布差异对模型聚合的影响。
技术演进与开放挑战
从2013年FGVC-Aircraft数据集到2023年多模态自监督网络，研究跨越十年。综述指出光学遥感目标检测的两个潜在方向：基于深度学习的特征表示和弱监督学习。少样本检测在DOTA上评估，强调了特征学习的潜力和局限性。这些进展显示，飞机识别正从封闭分类走向开放环境下的相似性学习。
Q&A
有哪些深度学习方法用于卫星图像中的飞机探测？
文章提到一种混合聚类主动学习方法，用于高效进行卫星图像中的飞机探测，并展示其结果优于其他主动学习方法。
如何对SAR影像中的飞机进行细粒度分类？
文章提出一种新颖的多模态自监督网络（MS-Net），用于合成孔径雷达（SAR）影像中飞机的细粒度分类。实验证明，MS-Net在无标签情况下能有效降低类似类型飞机的分类难度，对SAR影像中飞机的细粒度分类具有开创性意义。
FGVC-Aircraft数据集是什么？
FGVC-Aircraft是一个新数据集，包含100种机型的10,000张图像，可用于视觉识别的挑战，同时提供了相应的分类任务和评估协议。该数据集通过飞机爱好者的工作构建。与通常被认为的FGVC域（如动物）相比，飞机具有更少的形变，但具有设计、大小、命名、结构、历史风格和品牌等有趣的变化模式。
光学遥感图像中物体检测有哪些研究方向？
文章综述了光学遥感图像中物体检测的众多方法，包括基于模板匹配、基于知识、机器学习等，并讨论现有研究的挑战，提出两个有潜在发展的研究方向：基于深度学习的特征表示和基于弱监督学习的地理空间目标检测。
如何利用半监督联邦学习进行无人机图像识别？
文章利用半监督联邦学习框架和模型参数混合策略来保护数据隐私，实现无人机图像识别；针对不同相机模块、地域环境等数据的统计异质性问题，提出基于客户端频率的聚合规则来调整对应本地模型的权重。
少样本目标检测中如何在线适应新类别？
文章提出一种基于Faster R-CNN及特征学习的几类物体检测方法，采用基于原型网络的方法，在线适应新类别，并使用嵌入向量与类别原型之间的距离确定对应分类得分。该方法在DOTA数据集上进行了评估，强调了特征学习对几类目标检测任务的应用潜力和局限性。
