深层架构未能泛化:在超光谱图像中为农业领域转移提供了一个轻量级的替代方案

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:

• 超光谱卫星图像为农业监测提供了丰富的光谱信息.
• 现实世界农业场景带来了诸如阶级转移和新阶级等挑战,需要强大的分类方法.
• 传统方法在农业中与有限的标记数据和域泛化作斗争.

研究的目的:

• 开发一种新的超光谱卫星图像分类框架,将空间和光谱信息整合在一起.
• 为应对具有有限标记数据和域移动的开放式农业场景的挑战.
• 提高超光谱图像分类的准确性和通用性,以实现可持续农业.

主要方法:

• 将超光谱数据投射到一个低维的光谱多重体上.
• 使用像素智能分类器用于初始类概率突出度地图.
• 采用基于内核的光谱空间权重策略来实现特征融合.
• 整合一个无监督的学习改进步骤,以提高准确性.

主要成果:

• 在基准数据集上,与仅光谱模型相比,在分类准确度上取得了7.22-15%的改进.
• 在开放式农业场景中表现出优异的表现,具有阶级分布转移和新类.
• 在没有再培训的情况下,成功地展示了向新领域 (未见的作物类别,季节,地区) 的可转移性.
• 超过了几种最先进的方法,特别是在低标签条件下.

结论:

• 拟议的框架为高光谱图像分类提供了一种数据效率高且可扩展的少数拍摄学习解决方案.
• 该方法非常适合可持续农业应用,需要使用有限的标记数据准确地绘制地图.
• 这项工作为提高农业监测和管理提供了对高光谱分类和开放式适应的新视角.