在标注数据有限时使用对比学习增强高光谱图像预测
计算机视觉与模式识别
2026-02-09 v1
摘要
自监督对比学习是解决标注数据有限挑战的有效方法。本研究基于之前建立的用于高光谱遥感影像的两阶段基于补丁的多标签分类方法进行构建。我们评估了该方法在单标签和多标签分类任务中的性能，尤其是在训练数据有限的场景下。该方法的实施过程分为两个阶段。初始阶段，我们专注于使用对比学习方法训练编码器和投影网络。这一步对于增强编码器辨识数据中模式的能力至关重要。下一个阶段，我们利用预训练的编码器指导训练两个不同的预测器：一个用于多标签分类，另一个用于单标签分类。经济学结果表明，四个公开数据集上的实验显示，使用我们方法训练的预测器在全监督技术训练的预测器方面表现更好。特别是，当训练数据的量减少至 50% 时，性能仍然保持。这种优势在两种任务中都保持一致。该方法的有效性源于其简化的体系结构。这一设计允许重新训练编码器以及预测器。结果是，编码器对分类器识别的特征更具适应性，提高了整体分类性能。定性分析揭示，对比学习基于编码器的能力提供的表示允许在类别之间进行分离，并识别位置特征，尽管这些特征并未被明确训练。这一观察表明该方法在发现数据中潜在空间信息方面具有潜力。
引用
@article{arxiv.2410.07790,
title = {Enhancing Hyperspectral Image Prediction with Contrastive Learning in Low-Label Regime},
author = {Salma Haidar and José Oramas},
journal= {arXiv preprint arXiv:2410.07790},
year = {2026}
}