基于簇典型相关分析与随机游走器的跨域协作学习用于高光谱图像分类

本文介绍了一种新颖的异质域适应（HDA）方法，用于两个域中仅有少量标记样本的高光谱图像分类。该方法以跨域协作学习（CDCL）的方式实现，通过簇典型相关分析（C-CCA）和随机游走器（RW）算法完成。具体而言，所提 CDCL 方法是一个由三个主要阶段组成的迭代过程，即两次基于 RW 的伪标记和通过 C-CCA 的跨域学习。首先，给定初始标记的目标样本作为训练集（$\mathbf{TS}$），采用基于 RW 的伪标记，通过融合 RW 和扩展 RW（ERW）分类器获得的分割结果来更新 $\mathbf{TS}$ 并提取目标簇（$\mathbf{TCs}$）。其次，使用标记源样本和 $\mathbf{TCs}$ 应用通过 C-CCA 的跨域学习。然后使用在投影相关子空间中训练的模型以估计概率图对未标记目标样本进行分类。第三，使用 $\mathbf{TS}$ 和估计概率图通过基于 RW 的伪标记再次更新 $\mathbf{TS}$。当迭代过程结束时，由 ERW 分类器使用最终 $\mathbf{TS}$ 和估计概率图获得的结果被视为最终分类图。在四个真实 HSI 上的实验结果表明，与最先进的 HDA 和 ERW 方法相比，所提方法能取得更好的性能。