超像素引导的光谱空间特征提取和加权特征融合用于高光谱图像分类,训练样本有限

科学领域:

• 计算机科学 计算机科学
• 遥感 遥感 遥感 遥感
• 人工智能的人工智能

背景情况:

• 深度学习模型在特征提取方面表现出色,但由于有限的训练数据而过度匹配.
• 超光谱图像分类的准确性受到每类样本不足的显著影响.
• 有效利用光谱和空间特征对于强大的高光谱图像分析至关重要.

研究的目的:

• 为了应对在超光谱图像分类的深度学习中有限的训练样本的挑战.
• 提出一个全方位的光谱空间特征提取和加权融合的新型模型.
• 通过充分利用超频谱数据中未开发的特征来提高分类准确性.

主要方法:

• 一个超像素导向的方法来表示超光谱图像作为潜在的特征.
• 一个多频段优先标准来选择有区别的特征.
• 一个混合分类框架,将基于像素的卷积神经网络 (CNN) 和基于超像素的图形卷积网络 (GCN) 结合起来,用于加权特征融合.

主要成果:

• 拟议的特征提取模块与现有的频段选择方法相比,表现优越.
• 该模型在三个广泛使用的数据集上取得了出色的分类结果,即使每个类只有五个训练样本.
• 对比实验验证实了加权聚变战略的有效性.

结论:

• 这种新的超像素引导模型有效地提取和融合光谱空间特征,用于高光谱图像分类.
• 该方法显著减轻了有限的培训数据和过度装配的负面影响.
• 这种方法为在数据稀缺的情况下准确的高光谱图像分类提供了有希望的解决方案.