用于高光谱图像分类的 3D/2D 正则化 CNN 特征层次结构
计算机视觉与模式识别
2021-04-27 v1
摘要
卷积神经网络（CNN）已在高光谱图像分类（HSIC）中被深入研究，并已知能有效利用联合空间-光谱信息，但因硬标签及标签上的非均匀分布而以泛化性能和学速较低为代价。若干正则化技术已被用于克服上述问题。然而，有时模型会极其自信地预测样本，从泛化角度看这并不理想。因此，本文提出一种思路，利用软标签（即硬标签与地物标签上均匀分布的加权平均值）来增强用于 HSIC 的混合 CNN 的泛化性能。所提方法有助于防止 CNN 变得过度自信。我们凭经验表明，在提升泛化性能方面，标签平滑还改善了模型校准，从而显著提升束搜索。多个公开可用高光谱数据集被用于验证实验评估，结果显示与最先进（SOTA）模型相比，泛化性能、统计显著性和计算复杂度均有所改善。代码将发布于 https://github.com/mahmad00。
引用
@article{arxiv.2104.12136,
title = {3D/2D regularized CNN feature hierarchy for Hyperspectral image classification},
author = {Muhammad Ahmad and Manuel Mazzara and Salvatore Distefano},
journal= {arXiv preprint arXiv:2104.12136},
year = {2021}
}