基于生成对抗网络和光谱角度距离的半监督超光谱图像分类

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:

• 超光谱图像 (HSI) 分类面临挑战,原因是收集地面真相标签的难度和成本,导致培训样本不足.
• 现有的生成对抗网络 (GAN) 方法经常使用适合2D自然图像的成本函数,这可能不适合HSI的独特光谱特征.

研究的目的:

• 为了解决目前使用有限标记数据的超光谱图像分类方法的局限性.
• 提出一种新的半监督算法,利用HSI的光谱特征来提高分类准确性.

主要方法:

• 开发了一个新的半监督生成对抗网络 (GAN) 算法用于HSI分类.
• 引入了光谱角度距离 (SAD) 作为损失函数,以增强GAN收和光谱保真度.
• 采用多层特征融合,并利用区分器从标记和未标记的样本中提取多层特征.

主要成果:

• 提出的基于GAN的方法证明了更好的收速度,并产生了更现实的光谱样本.
• 区分器提取的多层特征有效地训练了使用有限标记样本的分类器.
• 在四个不同的高光谱数据集 (帕维亚大学,印第安纳松树,萨利纳斯,天山) 上进行的实验验证显示,与最先进的方法相比,结果非常有前途.

结论:

• 建议的半监督GAN方法与SAD损失是高光谱图像分类的有效,特别是当训练数据稀缺时.
• 该方法成功地提取了歧视性的多尺度光谱特征,以进行准确的分类.
• 这项工作为推进遥感和相关领域的HSI分类技术提供了有前途的方向.