基于对抗学习的深度本征分解用于高光谱图像分类
计算机视觉与模式识别
2023-10-31 v1 人工智能
摘要
卷积神经网络（CNNs）已展现出其为高光谱图像分类提取判别性特征的强大能力。然而，通用的 CNN 深度学习方法忽略了复杂环境因素的影响，后者增大了类内方差并减小了类间方差。这成倍增加了提取判别性特征的难度。为克服该问题，本文提出一种新颖的带对抗学习的深度本征分解方法，即 AdverDecom，用于高光谱图像分类，以缓解环境因素对分类性能的负面影响。首先，我们开发用于高光谱图像的生成网络（HyperNet）从图像中提取环境相关特征与类别相关特征。然后，构建判别网络以区分不同环境类别。最后，开发环境与类别联合学习损失用于对抗学习，使深度模型学习判别性特征。在三个常用真实世界数据集上进行了实验，对比结果展示了所提方法的优越性。为可复现起见，所提方法及对比方法的实现可在 https://github.com/shendu-sw/Adversarial Learning Intrinsic Decomposition 获取。
引用
@article{arxiv.2310.18549,
title = {Deep Intrinsic Decomposition with Adversarial Learning for Hyperspectral Image Classification},
author = {Zhiqiang Gong and Xian Zhou and Wen Yao},
journal= {arXiv preprint arXiv:2310.18549},
year = {2023}
}
备注
Submitted to IEEE TIP