面向高光谱图像油-水分类的混合随机森林与 CNN 框架
计算机视觉与模式识别
2025-02-04 v1 人工智能
摘要
提出一种新型混合随机森林（Random Forest）和卷积神经网络（Convolutional Neural Network, CNN）框架，用于高光谱图像（hyperspectral images, HSI）中的油-水分类。为解决保持空间上下文的挑战，将图像划分为较小的非重叠瓷砖，这些瓷砖作为训练、验证和测试的基础。随机森林在像素级分类中表现出强大的性能，优于 XGBoost、基于注意力的 U-Net 和 HybridSN 等模型。然而，随机森林会丢失空间上下文，限制其充分利用高光谱数据中空间关系的能力。为提高性能，对随机森林生成的概率图训练一个 CNN，利用 CNN 融合空间上下文的能力。混合方法在召回率（提升 7.6%，至 0.85）、F1 分数（提升 2.4%，至 0.84）和 AUC（提升 0.54%，至 0.99）方面均优于基线方法。这些结果突显了将概率输出与空间特征学习结合用于高光谱图像的上下文感知分析的有效性。
引用
@article{arxiv.2502.00232,
title = {A Hybrid Random Forest and CNN Framework for Tile-Wise Oil-Water Classification in Hyperspectral Images},
author = {Mehdi Nickzamir and Seyed Mohammad Sheikh Ahamdi Gandab},
journal= {arXiv preprint arXiv:2502.00232},
year = {2025}
}