中文标题：知识引导的小样本地表异常检测

英文标题：Knowledge-Guided Few-Shot Earth Surface Anomalies Detection

来源期刊：电子与信息学报

基金项目：国家自然科学基金重大项目 (42192580, 42192583)，国家自然科学基金 (42501503)

作  者：冀虹¹ 高智² 陈泊安² 敖伟² 曹民³ 王桥⁴

作者单位：1. 西安科技大学测绘科学与技术学院 西安 710054
2. 武汉大学遥感信息工程学院 武汉 430072
3. 武汉光谷卓越科技股份有限公司 武汉 430223
4. 北京师范大学 北京 100091

摘  要：地表异常(Earth Surface Anomalies, ESA)是指地球表面因自然或人为因素引发的突发性灾害事件，具有强破坏性和广泛影响，及时准确地发现各类地表异常事件对社会安全与可持续发展具有重要意义。遥感技术是地表异常检测的重要手段，但受限于标注数据匮乏、地表异常遥感影像背景复杂，以及多源遥感影像分布差异等因素，基于深度学习的异常检测模型性能有限。因此，该文提出一种知识引导的小样本学习方法，在异常遥感影像样本稀缺时引入语言知识提升分类性能。该方法利用大语言模型为不同遥感影像类别生成抽象化的文本描述，从语言模态角度刻画常规地物与异常地物的特征及其空间语义关系。然后通过文本编码器将文本描述映射到语言特征空间，并设计跨模态语义知识生成模块，自动学习并融合语言与视觉模态的语义表征。同时建立自注意力机制建模上下文关系，将提取的语义上下文信息与视觉原型特征融合，形成跨模态联合表征。该方法有效增强了小样本任务中原型特征的判别性，提高了目标域异常样本与多模态原型特征的匹配准确度。实验表明，该方法能够充分利用语言知识，弥补视觉信息的不足，提升小样本学习模型对地表异常遥感影像的表征能力，在跨域和域内小样本分类任务上均表现出一定优势。

全文链接： https://jeit.ac.cn/cn/article/doi/10.11999/JEIT251000