用于高光谱图像分类的主动深度密集连接卷积网络
计算机视觉与模式识别
2021-06-30 v2
摘要
基于深度学习的方法在过去几年中用于高光谱图像分类的受欢迎程度大幅上升。然而，深度学习的成功很大程度上归功于大量有标签样本。仅使用少量有标签样本训练深度学习模型以达到高分类精度仍非常具有挑战性。因此，本文提出一种以端到端方式训练的主动深度学习框架，以最小化高光谱图像分类成本。首先，考虑使用深度密集连接卷积网络进行高光谱图像分类。不同于传统主动学习方法，在所设计的深度密集连接卷积网络上附加一个网络用于预测输入样本的损失。然后，该附加网络可用于推荐深度密集连接卷积网络更可能给出错误标签的无标签样本。需注意，附加网络以深度密集连接卷积网络的中间特征作为输入。因此，所提方法是一个端到端框架。随后，少量所选样本被人工标注并加入训练样本。因此，深度密集连接卷积网络使用新训练集进行训练。最后，重复上述步骤以迭代训练整个框架。大量实验表明，所提方法在仅选取少量样本后即可达到高分类精度。
引用
@article{arxiv.2009.00320,
title = {Active Deep Densely Connected Convolutional Network for Hyperspectral Image Classification},
author = {Bing Liu and Anzhu Yu and Pengqiang Zhang and Lei Ding and Wenyue Guo and Kuiliang Gao and Xibing Zuo},
journal= {arXiv preprint arXiv:2009.00320},
year = {2021}
}