使用 MiniROCKET 和 HDC-MiniROCKET 的数据高效光谱分类
计算机视觉与模式识别
2025-09-18 v1
摘要
光谱图像像素光谱的分类（即光谱分类）广泛应用于农业、医疗和遥感等领域，近年来也正在扩展到自动驾驶等领域。虽然对于完整的光谱图像，最佳方法会利用空间-光谱信息，但仅基于光谱信息的分类也有其自身优势，例如更小的模型规模，从而需要更少的训练数据。此外，光谱信息是空间信息的补充，改进其中一部分可用于提升空间-光谱方法的性能。最近提出的 1D-Justo-LiuNet 是一种在光谱分类中表现尤为高效且参数极少的模型，目前定义了该领域的当前最佳性能。然而，我们发现，在数据有限的情况下，该模型的性能会恶化。因此，我们调查了 MiniROCKET 和 HDC-MiniROCKET 用于光谱分类以缓解这一问题。该模型在特征提取部分提取出经过良好工程的特征，且无需可训练参数，因此对数据有限更不容易受到影响。我们表明，尽管 MiniROCKET 有更多参数，但在数据有限的场景下超越了 1D-Justo-LiuNet，而在一般情况下则与之大致持平。
引用
@article{arxiv.2509.13809,
title = {Data-Efficient Spectral Classification of Hyperspectral Data Using MiniROCKET and HDC-MiniROCKET},
author = {Nick Theisen and Kenny Schlegel and Dietrich Paulus and Peer Neubert},
journal= {arXiv preprint arXiv:2509.13809},
year = {2025}
}
备注
Accepted for publication at IEEE CASE 2025