通过多注意力变压器和基于细分的自适应性超像素主动学习的高光谱图像分类

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 像CNN这样的深度学习方法在超光谱图像中的远程特征提取方面遇到了困难.
• 获得足够的标记样本用于高光谱图像分类是昂贵和耗时的.
• 现有的方法往往无法有效地平衡本地和全球特征提取.

研究的目的:

• 开发一个高光谱图像分类框架,有效地提取本地和远程光谱空间特征.
• 为了应对有限的标记样本在高光谱图像分类中的挑战.
• 提高主动学习的效率和准确性,用于高光谱图像分类.

主要方法:

• 一个多注意力变压器 (MAT) 网络被设计用于建模远程依赖关系,并使用自我注意力和前景注意力模块捕获本地特征.
• 基于自适应超像素细分的积极学习 (AL) 策略被开发出来,以选择用于培训的信息样本.
• 使用自适应超像素细分来保护边缘细节,并将局部空间相似性纳入积极学习过程.

主要成果:

• 拟议的MAT-ASSAL框架实现了优异的分类性能,特别是在小样本大小的情况下.
• 多重注意力变压器有效地捕获了本地和远程的光谱空间上下文依赖.
• 通过提供更好的局部空间约束,自适应超像素细分增强了积极学习策略.

结论:

• MAT-ASSAL框架为高光谱图像分类提供了一个强大的解决方案,其性能优于最先进的方法.
• 多重注意力变压器和基于超像素的自适应性主动学习的整合对于具有有限标记数据的场景非常有效.
• 这种方法显示了推进高光谱图像分析和分类的巨大潜力.