超级TaFOR:任务适应的几个镜头的开放集识别与空间光谱选择变压器的高光谱图像

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:

• 在高光谱图像 (HSI) 中的开放式识别 (OSR) 面临着有限的培训数据和手动值的挑战.
• 现有的基于重建和基于距离的OSR方法与高效的光谱空间信息利用作斗争.
• 准确分类已知类别,同时拒绝未知样本,对于HSI分析至关重要.

研究的目的:

• 为HSI开发一个简单的OSR框架,解决数据限制并改善光谱空间特征提取.
• 为增强特征学习引入一种新的空间光谱选择性变压器 (S3Former).
• 通过meta-learning和负原型生成,实现对未知样本的任务适应性拒绝.

主要方法:

• 一个名为HyperTaFOR的OSR框架被建议用于HSI.
• 一个空间光谱选择性变压器 (S3Former) 用于提取光谱空间特征.
• 使用负原型生成模块 (NPGM) 的元学习策略用于自适应性样本拒绝.

主要成果:

• 在开放式HSI场景中,HyperTaFOR表现出具有竞争力的分类和检测性能.
• S3Former有效地优化了中央像素信息,同时最大限度地减少了不相关的空间数据.
• NPGM生成了适应任务的拒绝分数,以灵活分类已知的类和异常.

结论:

• 拟议的HyperTaFOR框架为HSI中少数射击的OSR提供了有效的解决方案.
• 在OSR任务中,S3Former架构增强了光谱空间信息的利用.
• 超学习方法为HSI中未知样本提供了强大的和适应性的拒绝能力.