用于小样本高光谱遥感图像分类的贝叶斯卷积神经网络
计算机视觉与模式识别
2023-08-09 v2
摘要
将深度神经网络用于高光谱遥感（HSRS）图像分类是一项具有挑战性的任务。HSRS 图像具有高维度和大量通道，且通道间存在显著冗余。此外，用于 HSRS 图像分类的训练数据有限，可用训练数据量远小于其他分类任务。这些因素使得参数众多的深度神经网络训练过程复杂化，并导致其即使与传统模型相比也表现不佳。而且，卷积神经网络会产生过度自信的预测，考虑到上述问题，这是非常不理想的。在这项工作中，我们使用一类特殊的深度神经网络，即贝叶斯神经网络（BNN），进行 HSRS 图像分类。据我们所知，这是 BNN 首次用于 HSRS 图像分类。BNN 固有地提供不确定性度量。我们在 Pavia Centre、Salinas 和 Botswana 数据集上进行了大量实验。我们表明 BNN 优于标准卷积神经网络（CNN）和现成的随机森林（RF）。进一步的实验强调 BNN 对模型剪枝更具稳定性和鲁棒性，并且对于期望预测误差更高的样本其不确定性更高。
引用
@article{arxiv.2205.09250,
title = {Bayesian Convolutional Neural Networks for Limited Data Hyperspectral Remote Sensing Image Classification},
author = {Mohammad Joshaghani and Amirabbas Davari and Faezeh Nejati Hatamian and Andreas Maier and Christian Riess},
journal= {arXiv preprint arXiv:2205.09250},
year = {2023}
}