先进的全球原型细分框架为少数拍摄的高光谱图像分类

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:

• 深度学习方法显示出对高光谱图像 (HSI) 分类的希望.
• 由于基于补丁的输入,现有的HSI分类方法难以捕获全球信息.
• 有限的标记样品阻碍了当前的HSI分类技术的性能.

研究的目的:

• 提出一个先进的全球原型细分 (AGPS) 框架,以应对HSI分类中的挑战.
• 增强全球信息的捕获,并改善在HSI分类中有限的标记样本的利用.

主要方法:

• 一个基于完全卷积网络 (FCN) 的无补丁特征提取器细分网络 (SegNet) 处理整个HSI.
• 侧面连接的融合 (FLC) 结构集成了低级和高级特征.
• 一个Atrous空间金字塔聚合位置注意力 (ASPP-PA) 模块捕获多个尺度的空间信息.
• 一个先进的全球原型表示学习策略与监督对比学习 (CL) 优化了使用三个约束的网络.

主要成果:

• 拟议的AGPS框架有效地捕捉了HSI的全球信息.
• 该方法在使用有限的标记样本时表现出卓越的性能.
• 三个公共数据集的实验结果表明,AGPS框架的性能优于最先进的方法.

结论:

• AGPS框架为HSI分类提供了显著的进步.
• 全球信息采集和有效样本利用的整合导致了更好的分类准确性.
• 拟议的方法为具有有限标记数据的HSI分类任务提供了可靠的解决方案.