用于分类和回归的 hyperspectral 图像的多任务深度学习模型：大规模数据集的应用
计算机视觉与模式识别
2024-07-24 v1
摘要
多任务学习是计算机视觉和深度学习领域中广泛认可的技术。然而，在遥感领域，尤其是针对高光谱成像，仍是一个研究问题。此外，该遥感领域的大多数研究聚焦于小型和基于单任务的标注数据集，这限制了所开发模型在更加多样化和复杂的真实世界情景下的可泛化性和可扩展性。因此，在本研究中，我们提出了一个设计用于在高光谱图像上同时执行多个分类和回归任务的多任务深度学习模型。我们在一个名为 TAIGA 的大型高光谱数据集上对方法进行了验证，该数据集包含 13 个森林变量，包括 3 个分类变量和 10 个连续变量，具有不同的生物物理参数。我们设计了共享编码器和任务特定解码器网络，以简化特征学习，同时使每个任务特定解码器能够专注于其各自任务的独特方面。此外，集成了密集空洞金字塔池化层和注意力网络，以提取多尺度上下文信息并启用按任务选择性信息处理。进一步，我们计算了多任务损失并优化了其参数，以提高该框架在不同任务上的性能和效率。综合的定性和定量分析结果表明，所提出的方法显著优于其他多种最先进的方法。我们跨 10 个随机种子/试验进行模型训练，以确保其鲁棒性。我们提出的模型在保持更低或相当于其他方法的变异性的同时，表现出更高的平均性能。为使工作可重复，代码将在 https://github.com/Koushikey4596/Multitask-Deep-Learning-Model-for-Taiga-datatset 上提供。
引用
@article{arxiv.2407.16384,
title = {A Multitask Deep Learning Model for Classification and Regression of Hyperspectral Images: Application to the large-scale dataset},
author = {Koushikey Chhapariya and Alexandre Benoit and Krishna Mohan Buddhiraju and Anil Kumar},
journal= {arXiv preprint arXiv:2407.16384},
year = {2024}
}