FRFSL:基于特征重建的沿海湿地超谱图像分类的跨域短拍学习

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:

• 超光谱图像分类 (HSIC) 对于沿海湿地植被的识别至关重要.
• 环境的复杂性和土地覆盖的相似性阻碍了大规模的标签.
• 跨领域的少量学习 (CDFSL) 为HSIC中有限的标记数据提供了解决方案.

研究的目的:

• 解决现有的CDFSL HSIC方法的局限性,包括原型偏差和共变量转移.
• 为改进HSIC提出一种基于特征重建的CDFSL (FRFSL) 算法.
• 为增强分类开发轻量级和可解释的域调整.

主要方法:

• 一个原型校准模块 (PCM) 使用贝叶斯推理增强的高斯混合模型进行可靠的查询特征选择和原型重建.
• 一个距离度模块 (DMM) 结合了原型重建的回归,减轻了共变量转移.
• 动态图形重建和最佳运输理论将域对齐转化为图形匹配问题.

主要成果:

• 拟议的FRFSL算法有效地解决了原型偏差和共变量转移的问题.
• 实验表明,FRFSL在多个数据集上与11个最先进的算法相比,具有更高的性能.
• 开发的共享运输矩阵算法实现了轻量级和可解释的域对齐.

结论:

• 在使用CDFSL的沿海湿地,FRFSL在高光谱图像分类方面取得了重大进展.
• 该方法为具有有限标记数据和域移动的场景提供了强大的解决方案.
• 这种方法提高了HSIC在生态监测和管理中的实际适用性.