CEU-Net：使用聚类的高光谱图像集成语义分割
计算机视觉与模式识别
2022-03-15 v2 机器学习
摘要
大多数高光谱图像（HSIs）的语义分割方法使用并需要以分块形式进行的预处理步骤，以准确分类遥感图像中多样化的土地覆盖。这些方法利用分块来纳入图像中丰富的邻域信息，并利用最常见 HSI 数据集的简单性和可分块性。相比之下，世界上大多数地块由重叠和扩散的类别组成，使得邻域信息弱于常见 HSI 数据集中的情况。为了解决这一问题并将分割模型推广到更复杂和多样化的 HSI 数据集，在这项工作中，我们提出了新颖的旗舰模型：聚类集成 U-Net（CEU-Net）。CEU-Net 使用集成方法，结合了从在地景像素簇上训练卷积神经网络（CNN）提取的光谱信息。我们的 CEU-Net 模型优于现有的 SOTA HSI 语义分割方法，并且在与基线模型比较时，无论是否使用分块均取得了有竞争力的性能。我们重点突出了 CEU-Net 在 Botswana、KSC 和 Salinas 数据集上相较于 HybridSN 和 AeroRIT 方法的高性能表现。
引用
@article{arxiv.2203.04873,
title = {CEU-Net: Ensemble Semantic Segmentation of Hyperspectral Images Using Clustering},
author = {Nicholas Soucy and Salimeh Yasaei Sekeh},
journal= {arXiv preprint arXiv:2203.04873},
year = {2022}
}
备注
11 Pages, 5 Tables, 1 Algorithm, 5 Figures