基于自监督光谱-空间建模的跨域迁移 hyperspectral 图像分类
计算机视觉与模式识别
2026-01-27 v1
摘要
自监督学习在光谱表示中展现出巨大的潜力，但其在跨域迁移场景中的应用仍鲜有探索。现有方法依赖源域标注数据，且易受分布迁移影响，在目标域导致分类性能下降。为此，本文提出一种无需源域标签即可学习可迁移光谱-空间联合表征的自监督跨域迁移框架，在目标域样本有限时实现高效适应。在自监督预训练阶段，设计了空间-光谱转换器（S2Former）模块，采用双分支空间-光谱转换器结构，引入双向跨注意力机制实现光谱-空间协作建模：空间分支通过随机遮蔽增强结构感知能力，而光谱分支捕获细粒度差异；两分支相互引导以提升语义一致性。进而提出频率域约束（FDC），通过实快速傅里叶变换（rFFT）和高频幅值损失维持频率域一致性，从而增强模型辨别细节与边界的能力。在微调阶段，引入扩散对齐微调（DAFT）蒸馏机制，通过教师-学生结构对齐语义演化轨迹，在低标注条件下实现稳健迁移学习。实验结果表明，在四个 hyperspectral 数据集上该方法展现出稳定的分类性能和强大的跨域适应能力，验证了在资源受限条件下的有效性。
引用
@article{arxiv.2601.18088,
title = {Cross-Domain Transfer with Self-Supervised Spectral-Spatial Modeling for Hyperspectral Image Classification},
author = {Jianshu Chao and Tianhua Lv and Qiqiong Ma and Yunfei Qiu and Li Fang and Huifang Shen and Wei Yao},
journal= {arXiv preprint arXiv:2601.18088},
year = {2026}
}