SegHSI:用有限的标记像素对高光谱图像进行语义细分

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 图像处理 图像处理

背景情况:

• 超光谱图像 (HSI) 为地面物体的分类提供了丰富的光谱信息.
• 现有的HSI分类模型经常单独处理像素,忽视空间上下文,导致推断速度缓慢.
• 需要高效准确的HSI细分模型,利用光谱和空间信息.

研究的目的:

• 提出 SegHSI,一个有效和高效的端到端 HSI 分段模型.
• 开发一种新的培训策略,将监督和无监督学习结合起来,以改善HSI分类.
• 提高空间信息在HSI分析中的利用率,以获得更快,更准确的结果.

主要方法:

• SegHSI采用无头架构,其中包含集群关注模块,用于HSI集群中的像素编码.
• 具有深度智能卷积的空间意识前网络 (SA-FFN) 用于多级空间编码.
• 一个学生-教师模型框架促进了在未标记的像素上以及标记的像素类信息上的一致性学习.

主要成果:

• 与最先进的模型相比,SegHSI在三个公共HSI数据集上显示出更高的细分精度.
• 该模型实现了显著减少的推理时间,在几秒钟甚至几秒钟内完成全图像分类.
• 实验结果验证了拟议的集群注意力和SA-FFN模块的有效性.

结论:

• SegHSI为高光谱图像细分提供了准确且计算效率高的解决方案.
• 新的培训策略通过有效利用标记和未标记的数据来提高模型性能.
• 拟议的模型代表了用于地面物体分类应用的遥感的重大进步.