计算机工程

作者：郑宗生, 霍志俊, 高萌, 王政翰, 周文睆, 张月维

单位：1. 上海海洋大学信息学院, 上海 2013062. 广州气象卫星地面站, 广东 广州 510650

关键词：图像检索,深度度量学习,三元组损失,类中心,批次

基金：国家自然科学基金(41671431); 上海市科委地方能力建设项目(19050502100); 广州气象卫星地面站项目(D-8006-23-0157)

遥感图像检索的关键是从海量图像中高效、准确地检索出目标样本。遥感图像类内样本分散、方差大, 依靠有限样本的传统遥感图像检索不能很好地学习类内样本差异特征, 现有的跨批处理内存(XBM)方法的三元组配对冗余、计算复杂。针对这些问题, 提出一种基于类中心优化辅助的三元组损失(CCO-TL)的遥感图像检索方法。CCO-TL使用类中心特征限制类内正样本之间的距离以辅助优化三元组损失, 实现类间相互分离, 同时类内的样本更加聚集紧凑, 得到优化的样本特征; 通过改进XBM模块得到批次特征队列(BFQ), 用于存储先前训练批次的特征向量, 通过改变三元组配对方式, 充分挖掘样本信息并解决数据冗余问题, 减少训练时间。同时使用BFQ模块进行类中心点特征的实时计算, 用计算值取代传统方法的估计值。实验结果表明, 基于真实类中心特征辅助优化的三元组损失函数训练的网络模型学习样本间的能力更强, 类内更加聚集, 类间区分也更明显。最后结合Recall@K等指标进行评估, 在UCMD、AID、PN、OP 4个遥感数据集上进行实验, 所提算法的精度分别达到93.1%、87.2%、97.1%、82.2%, 优于其他研究方法。

来源：2025年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第5期