基于转移学习的高光谱图像分类使用剩余密集连接网络
Hao Zhou1, Xianwang Wang1, Kunming Xia1
1School of Information Science and Engineering, Yunnan University, Kunming 650504, China.
Sensors (Basel, Switzerland)
|May 11, 2024
概括
这项研究引入了一种使用光谱空间特征和元转移学习的超光谱图像分类的新方法,克服了有限的标记样本对准确的高维信号分析所带来的挑战.
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:
- 超光谱图像分类面临挑战,因为标记样本的数量有限,分布不均,阻碍了有效的特征提取.
- 传统的少量学习方法与复杂的超频谱数据作斗争,导致分类性能不足.
- 样本注释的高成本进一步使从有限的数据中提取歧视性特征变得更加复杂.
研究的目的:
- 为没有足够标记样本的场景开发一种有效的超光谱图像分类方法.
- 将先进的光谱空间特征提取与元转移学习相结合,以提高分类准确性.
- 解决现有方法在从复杂的超频谱信号中导出深度,歧视性特征方面的局限性.
主要方法:
- 建议将光谱空间特征提取与超频谱信号分类的元转移学习进行整合.
- 采用密集连接块和3D卷积残余连接来改善特征提取.
- 利用在一个大型源域数据集上预训练的模型并以最小的样本转移到目标域.
主要成果:
- 拟议的方法在准确性方面明显超过现有的分类算法和小样本技术.
- 在从有限的超频谱数据中提取深度,歧视性特征方面表现出卓越的性能.
- 在标签约束下,在各种超频谱数据集 (IP,UP和Salinas) 上实现了高精度.
结论:
- 综合的光谱空间特征提取和元转移学习方法有效地解决了使用有限的标记数据进行超光谱图像分类的问题.
- 该方法增强了空间和光谱信息检索,从而提高了分类性能.
- 这种技术适用于高维信号分类任务,标记样本很少.
