MSMatch: التصنيف المزدوج الطيفي للمناظر بتعلم شبه مراقب باستخدام عدد قليل من التسميات

تُعد تقنيات التعلم الخاضع للإشراف محور العديد من المهام في الاستشعار عن بعد. لسوء الحظ، تتطلب هذه الأساليب، وخاصة الأساليب الحديثة في التعلم العميق، كميات كبيرة من البيانات المُعلَّمة لتدريب النماذج. وعلى الرغم من أن الأقمار الصناعية تُجمّع كميات هائلة من البيانات، فإن عملية تسمية هذه البيانات تكون غالبًا مملة ومتكلفة وتحتاج إلى خبرة متخصصة. وبالتالي، هناك حاجة إلى تطوير أساليب محسّنة تتطلب عينات مُعلَّمة أقل. نقدّم MSMatch، وهي أول منهجية للتعلم شبه الخاضع للإشراف تُحقق أداءً تنافسيًا مع الأساليب الخاضعة للإشراف في تصنيف المشاهد على مجموعتي بيانات المعيار EuroSAT وUC Merced Land Use. قمنا باختبار الصور الملونة (RGB) والصور متعددة الطيف في EuroSAT، ونفّذنا دراسات استقصائية مختلفة لتحديد العناصر الحاسمة في النموذج. يحقق الشبكة العصبية المدربة نتائج متقدمة في مستوى الحالة الحالية على EuroSAT، حيث تتفوّق دقة النموذج على الأساليب السابقة بنسبة تصل إلى 19.76%، وذلك حسب عدد أمثلة التدريب المُعلَّمة. وباستخدام خمسة أمثلة مُعلَّمة فقط لكل فئة، نحقق دقة تبلغ 94.53% و95.86% على مجموعتي بيانات EuroSAT (RGB) ومتعددة الطيف على التوالي. وعلى مجموعة بيانات UC Merced Land Use، نتفوّق على الدراسات السابقة بنسبة تصل إلى 5.59%، ونصل إلى دقة قدرها 90.71% باستخدام خمسة أمثلة مُعلَّمة فقط. تُظهر نتائجنا أن MSMatch قادرة على تقليل بشكل كبير متطلبات البيانات المُعلَّمة. كما تُظهر أداءً ممتازًا على البيانات متعددة الطيف، مما يمكّن من تمكين تطبيقات متنوعة كانت حتى الآن غير ممكنة بسبب نقص البيانات المُعلَّمة. ونُقدّم كود المصدر الخاص بـ MSMatch عبر الإنترنت لتمكين إعادة الإنتاج السهل والاعتماد السريع.