C$^3$DG：基于收敛与约束风险理论的条件域泛化方法用于高光谱图像分类
计算机视觉与模式识别
2024-07-08 v1
摘要
高光谱图像 (HSI) 分类可能因不同类别呈现相似光谱而受到高光谱-单光谱挑战。联合空域-光谱特征提取是流行的解决方案，但该策略倾向于因测试像素可能存在于训练块中而夸大准确率。域泛化方法显示出良好的潜力，但仍无法在变化的域之间区分相似光谱，此外通常忽视理论支持。本文仅依赖光谱信息来解决高光谱-单光谱问题，提出一种基于收敛与约束风险理论的条件域泛化方法用于高光谱图像分类 (CDG)。本文的主要贡献包括两个方面：条件修订推断块 (CRIB)，以及相应的模型收敛与泛化误差理论。CRIB 是本方法的核心结构，采用共享编码器和多分支解码器充分利用训练中的条件分布，实现与 HSI 生成机制相匹配的解耦。此外，为确保模型收敛并维持可控误差，我们提出了优化收敛定理和风险上界定理。在优化收敛定理中，我们通过证明损失项梯度不矛盾来确保模型收敛。在风险上界定理中，我们的理论分析探讨了测试时训练与最近相关工作之间的关系，以建立误差的具体上界。在三个基准数据集上的实验结果表明，CDG 的优越性。
引用
@article{arxiv.2407.04100,
title = {C$^3$DG: Conditional Domain Generalization for Hyperspectral Imagery Classification with Convergence and Constrained-risk Theories},
author = {Zhe Gao and Bin Pan and Zhenwei Shi},
journal= {arXiv preprint arXiv:2407.04100},
year = {2024}
}