CoSpace：基于高光谱-多光谱对应关系的公共子空间学习
计算机视觉与模式识别
2019-07-09 v2
摘要
随着大量开放的卫星多光谱影像（如Sentinel-2和Landsat-8），全球多光谱土地覆盖分类受到相当关注。然而，其有限的光谱信息阻碍了分类性能的进一步提升。高光谱成像能够区分光谱相似的类别，但其从太空获取的幅宽相较于多光谱较窄。为在大范围覆盖上实现准确的土地覆盖分类，我们提出一种跨模态特征学习框架，称为公共子空间学习（CoSpace），联合考虑子空间学习与监督分类。通过局部对齐两种模态的流形结构，CoSpace从高光谱-多光谱（HS-MS）对应关系中线性学习一个共享潜在子空间。多光谱样本外数据随后可投影至该子空间，有望利用用于学习的相应高光谱数据的丰富光谱信息，从而获得更好的分类。在两个模拟HSMS数据集（休斯顿大学与Chikusei）上进行了充分实验，这些HS-MS数据集在覆盖与光谱分辨率间存在权衡，以证明所提方法相较于先前最先进方法的优越性与有效性。
引用
@article{arxiv.1812.11501,
title = {CoSpace: Common Subspace Learning from Hyperspectral-Multispectral Correspondences},
author = {Danfeng Hong and Naoto Yokoya and Jocelyn Chanussot and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:1812.11501},
year = {2019}
}