基于泰勒变分损失的无类先验正无标记高光谱遥感影像学习
计算机视觉与模式识别
2025-02-25 v1
摘要
高光谱遥感影像（HSI）中的正无标记学习（PU learning）旨在从正类与无标记数据中学习二分类器，在多种地球视觉应用中具有广阔前景。然而，当PU学习遇到有限标记HSI时，无标记数据可能主导优化过程，使神经网络过拟合无标记数据。本文提出一种用于HSI PU学习的泰勒变分损失，通过泰勒级数展开降低无标记数据梯度的权重，使网络在过拟合与欠拟合之间找到平衡。此外，设计了自校准优化策略以稳定训练过程。在7个基准数据集（共21项任务）上的实验验证了所提方法的有效性。代码见：https://github.com/Hengwei-Zhao96/T-HOneCls。
引用
@article{arxiv.2308.15081,
title = {Class Prior-Free Positive-Unlabeled Learning with Taylor Variational Loss for Hyperspectral Remote Sensing Imagery},
author = {Hengwei Zhao and Xinyu Wang and Jingtao Li and Yanfei Zhong},
journal= {arXiv preprint arXiv:2308.15081},
year = {2025}
}
备注
Accepted to ICCV 2023