基于双分类头自训练网络的跨场景 hyperspectral 图像分类
计算机视觉与模式识别
2025-02-26 v1
摘要
由于难以获取 hyperspectral 图像 (HSI) 的标记数据，跨场景分类已成为遥感社区广泛采用的一种方法。它涉及使用来自源域 (SD) 的标记数据和来自目标域 (TD) 的无标记数据进行训练，然后在 TD 上进行推断。然而，同一物体在 SD 和 TD 之间的反射率谱差异，以及相同地覆盖类别的特征分布差异，构成了跨场景分类性能的重大挑战。为此，我们提出了一种双分类头自训练网络 (DHSNet)。该方法在域之间对类别特征进行对齐，确保训练好的分类器能够准确分类来自不同类别的 TD 数据。我们首次在跨场景 HSI 分类领域引入双分类头自训练策略。该方法缓解了域间差距，同时防止模型中错误伪标签的累积。此外，我们引入一种新颖的中心特征注意力机制，以增强模型在跨域学习场景不变特征的能力。在三个跨场景 HSI 数据集上的实验结果表明，所提出的 DHSNet 在其他最先进方法上显著优于。DHSNet 的代码将在 https://github.com/liurongwhm 上提供。
关键词
引用
@article{arxiv.2502.17879,
title = {Dual Classification Head Self-training Network for Cross-scene Hyperspectral Image Classification},
author = {Rong Liu and Junye Liang and Jiaqi Yang and Jiang He and Peng Zhu},
journal= {arXiv preprint arXiv:2502.17879},
year = {2025}
}