面向高光谱成像的解释性驱动降维
人工智能
2025-09-03 v1
摘要
高光谱成像 (HSI) 提供丰富的光谱信息，可用于精确的物质分类和分析；然而，其高维度带来了计算负担和冗余，使得降维至关重要。我们present了一项关于后置解释性方法在模型驱动框架下进行波段选择的探索性研究，旨在降低光谱维度同时保持预测性能。我们探测了一个已训练的分类器，以量化每个波段对其决策的贡献。随后进行删除-插入评估，记录受排名波段移除或重新引入后置信度的变化，并将这些信号聚合为影响得分。选择最高影响得分的波段可得紧凑的光谱子集，既保持准确率又提高效率。在两个公共基准数据集 (Pavia University 和 Salinas) 的实验中显示，训练仅使用 30 个选中波段的分类器可与完整光谱基线相当或更好，同时降低计算需求。所得子集与物理上有意义且高度判别性的波长区域相吻合，表明模型对齐、解释导向的波段选择是 HSI 有效降维的原则方法。
引用
@article{arxiv.2509.02340,
title = {Explainability-Driven Dimensionality Reduction for Hyperspectral Imaging},
author = {Salma Haidar and José Oramas},
journal= {arXiv preprint arXiv:2509.02340},
year = {2025}
}