基于幅值-导数谱互补的面向内容的 hyperspectral 图像分类学习
计算机视觉与模式识别
2024-07-29 v1 图像与视频处理
摘要
从复杂光谱细节中提取判别性信息对于高光谱图像（HSI）分类至关重要。虽然当前主流方法依赖光谱幅值特征，但可能导致某些类别混淆，引起误分类并降低准确率。我们发现，导数谱更擅长捕捉隐含信息，因而在分离这些混淆类别方面具有显著优势。基于幅值与导数特征的互补性，我们提出一种基于内容驱动的谱率谱互补网络，采用幅值-导数双编码器结构，将这两种特征作为组合输入。为充分利用这两种特征的互补信息，我们提出了内容自适应点积融合模块，使双编码器特征能在点状选择方式下自适应融合。为保留丰富的互补信息并提取更具辨识度的特征，我们引入了混合差异增强损失，以增强两个分支特征的差异表达并增加类别间距离。最终，我们的方法在广泛的WHU-OHS数据集和八个其他基准数据集上实现了最佳性能。
引用
@article{arxiv.2407.18593,
title = {Content-driven Magnitude-Derivative Spectrum Complementary Learning for Hyperspectral Image Classification},
author = {Huiyan Bai and Tingfa Xu and Huan Chen and Peifu Liu and Jianan Li},
journal= {arXiv preprint arXiv:2407.18593},
year = {2024}
}
备注
accepted by TGRS