基于双向域适应的跨域高光谱图像分类
计算机视觉与模式识别
2026-01-29 v1 图像与视频处理
摘要
利用高光谱遥感技术能够提取细粒度的土地覆盖类别。通常，用于训练和测试的卫星或机载图像采集自不同区域或时间，使得同一类别在不同场景中存在显著的光谱偏移。本文提出了一种用于跨域高光谱图像（HSI）分类的双向域适应（BiDA）框架，其重点是在独立的自适应空间中同时提取域不变特征和域特定信息，从而增强对目标场景的适应性和可分性。在所提出的 BiDA 中，设计了一种带有语义分词器的三分支 Transformer 架构（源分支、目标分支和耦合分支）作为主干网络。具体而言，源分支和目标分支独立学习源域和目标域的自适应空间，耦合分支中开发了耦合多头交叉注意力（CMCA）机制用于特征交互和跨域相关性挖掘。此外，设计了双向蒸馏损失，以利用跨域相关性指导自适应空间学习。最后，提出了一种自适应增强策略（ARS），以鼓励模型在噪声条件下专注于源场景和目标场景中特定广义特征的提取。在跨时/跨场景机载和卫星数据集上的实验结果表明，所提出的 BiDA 性能显著优于一些最先进的域适应方法。在跨时树种分类任务中，所提出的 BiDA 比最先进方法高出 3%5%。代码将在网站：https://github.com/YuxiangZhang-BIT/IEEE_TCSVT_BiDA 上提供。
引用
@article{arxiv.2507.02268,
title = {Cross-domain Hyperspectral Image Classification based on Bi-directional Domain Adaptation},
author = {Yuxiang Zhang and Wei Li and Wen Jia and Mengmeng Zhang and Ran Tao and Shunlin Liang},
journal= {arXiv preprint arXiv:2507.02268},
year = {2026}
}