面向样本不足与不均衡高光谱图像分类的谱-空依赖全局学习框架
计算机视觉与模式识别
2021-06-01 v1
摘要
深度学习技术已广泛应用于高光谱图像 (HSI) 分类并取得了巨大成功。然而，深度神经网络模型参数空间大，且需要大量标注数据。用于 HSI 分类的深度学习方法通常遵循块式学习框架。近来，依据全局空间上下文信息，一种快速无块全局学习 (FPGA) 架构被提出用于 HSI 分类。但 FPGA 在样本数据不均衡时难以提取最具判别力的特征。本文提出一种基于全局卷积长短期记忆 (GCL) 与全局联合注意力机制 (GJAM) 的谱-空依赖全局学习 (SSDGL) 框架，用于样本不足与不均衡的 HSI 分类。在 SSDGL 中，提出分层平衡 (H-B) 采样策略与加权 softmax 损失以解决样本不均衡问题。为有效区分地物类型间相似的光谱特征，引入 GCL 模块提取光谱特征的长短期依赖。为学习最具判别力的特征表示，提出 GJAM 模块提取注意力区域。在三个公开 HSI 数据集上的实验结果表明，SSDGL 在样本不足与不均衡问题上性能强大，且优于其他最先进方法。代码见：https://github.com/dengweihuan/SSDGL。
引用
@article{arxiv.2105.14327,
title = {A Spectral-Spatial-Dependent Global Learning Framework for Insufficient and Imbalanced Hyperspectral Image Classification},
author = {Qiqi Zhu and Weihuan Deng and Zhuo Zheng and Yanfei Zhong and Qingfeng Guan and Weihua Lin and Liangpei Zhang and Deren Li},
journal= {arXiv preprint arXiv:2105.14327},
year = {2021}
}
备注
14 pages,14 figures