语义意识的并行网络用于跨场景的高光谱图像分类
Xiaohui Li1, Chenyang Jin1, Yuntao Tang1
1School of Computer Science and Information Engineering, Harbin Normal University, Harbin 150025, China.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
本研究介绍了用于高光谱图像分类的语义意识协作并行网络 (SCPNet). 通过利用语言数据来改善域不变特征学习,SCPNet有效地应对跨场景的挑战.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 超光谱图像的跨场景分类是具有挑战性的,因为数据分布的变化和先前知识有限.
- 以前的方法限制了跨模式知识的使用,阻碍了性能.
- 最近的大规模语言视觉模型显示了跨模式辅助学习的前景.
研究的目的:
- 提出一个新的网络,语义意识的协作并行网络 (SCPNet),用于跨场景的高光谱图像分类.
- 通过整合语言模式来学习跨域不变表示来减轻数据分布差异.
- 通过在优化语义空间内使用监督对比学习来增强特征集群和分离.
主要方法:
- SCPNet采用平行架构,具有空间光谱和多尺度特征提取模块.
- 功能被映射到一个语义空间,以改善监督对比学习.
- 语言模式被用来挖掘跨领域的不变表示,弥合视觉和语言的差距.
主要成果:
- 在三个公开的高光谱图像数据集上,SCPNet显著优于现有方法.
- 拟议的方法在跨场景分类任务中表现出有效性.
- 语言模式的整合增强了域不变特征的学习.
结论:
- SCPNet为跨场景的高光谱图像分类提供了一个强大的解决方案.
- 语义意识的方法有效地利用跨模式信息.
- 这项工作通过创新的深度学习技术推动了超谱图像分析领域的发展.


