DiffSpectralNet：揭示扩散模型在高光谱图像分类中的潜力
计算机视觉与模式识别
2023-12-21 v1 机器学习
摘要
高光谱图像（Hyperspectral Image, HSI）在农业、医学等多个领域的遥感图像分析中变得流行。然而，由于高光谱数据的多波段特性和数据冗余，现有模型在处理光谱-空间数据的复杂关系和特征时存在困难。为了解决这一局限性，我们提出了一种名为 DiffSpectralNet 的新网络，它结合了扩散模型和 Transformer 技术。我们的方法包含两个步骤。首先，我们使用基于扩散模型的无监督学习框架来提取高层和低层的光谱-空间特征。扩散方法能够提取多样且有意义的光谱-空间特征，从而改善 HSI 分类。然后，我们采用预训练的去噪 U-Net 来提取用于分类的中间层次特征。最后，我们使用基于 Transformer 的监督分类器来执行 HSI 分类。通过在 HSI 数据集上的全面实验，我们评估了 DiffSpectralNet 的分类性能。结果表明，我们的框架显著优于现有方法，取得了 SOTA 性能。
引用
@article{arxiv.2312.12441,
title = {DiffSpectralNet : Unveiling the Potential of Diffusion Models for Hyperspectral Image Classification},
author = {Neetu Sigger and Tuan Thanh Nguyen and Gianluca Tozzi and Quoc-Tuan Vien and Sinh Van Nguyen},
journal= {arXiv preprint arXiv:2312.12441},
year = {2023}
}
备注
18 pages