使用TransMix增强原型网络用于少样本高光谱图像分类
计算机视觉与模式识别
2024-01-23 v1 人工智能
摘要
少样本高光谱图像分类旨在仅标记少量像素来识别图像中每个像素的类别。为了获取每个像素的空间-光谱联合特征，通常使用以每个像素为中心的固定大小块进行分类。然而，观察现有方法的分类结果，我们发现对应于高光谱图像中物体边界的像素的边界块难以分类。这些边界块混合了多类光谱信息。受此启发，我们提出使用TransMix增强原型网络用于少样本高光谱图像分类（APNT）。以原型网络为骨干，采用Transformer作为特征提取器来学习像素间关系并对不同像素给予不同关注。同时，不是直接使用从高光谱图像切割的块进行训练，而是随机混合两个块来模拟边界块，并使用合成块训练模型，旨在增加困难训练样本的数量并增强其多样性。通过遵循数据增强技术TransMix，Transformer返回的注意力也被用于混合两个块的标签，为合成块生成更好的标签。与现有方法相比，所提出的方法在我们的实验中展示了最先进的性能和更好的鲁棒性。
引用
@article{arxiv.2401.11724,
title = {Augmenting Prototype Network with TransMix for Few-shot Hyperspectral Image Classification},
author = {Chun Liu and Longwei Yang and Dongmei Dong and Zheng Li and Wei Yang and Zhigang Han and Jiayao Wang},
journal= {arXiv preprint arXiv:2401.11724},
year = {2024}
}