基于双分支残差网络的跨域少样本遥感图像分类方法——结合精炼原型
计算机视觉与模式识别
2025-04-29 v1 机器学习
摘要
卷积神经网络（CNN）在遥感图像（HSI）分类中效果良好，但其3D卷积结构带来高计算成本，在少样本场景下泛化性有限。由传感器差异和环境变化引起的域迁移进一步阻碍了跨数据集的适应性。基于度量的少样本学习（FSL） prototype 网络可缓解此问题，但其性能对原型质量敏感，尤其在样本有限时。为克服上述挑战，本文提出一种集成空间与光谱特征的双分支残差网络结构。此外，通过引入约束项获得更稳健的精炼原型。进一步采用核概率匹配策略实现源域与目标域特征的对齐，从而缓解域迁移。实验在四个公开HSI数据集上表明，本方法优于其他方法，取得卓越性能。
引用
@article{arxiv.2504.19074,
title = {Dual-Branch Residual Network for Cross-Domain Few-Shot Hyperspectral Image Classification with Refined Prototype},
author = {Anyong Qin and Chaoqi Yuan and Qiang Li and Feng Yang and Tiecheng Song and Chenqiang Gao},
journal= {arXiv preprint arXiv:2504.19074},
year = {2025}
}
备注
5 pages, 2 figures. IEEE Geoscience and Remote Sensing Letters (2025)