基于多任务深度学习的含未知类少样本高光谱图像分类
计算机视觉与模式识别
2021-06-09 v1
摘要
当前高光谱图像分类假设预定义的分类系统是封闭且完整的，且未见数据中不存在未知或新颖类别。然而，这一假设对真实世界可能过于严格。通常，在构建分类系统时新颖类别会被忽略。封闭性迫使模型对给定新样本分配标签，并可能导致对已知地物（如农作物面积）的高估。为应对此问题，我们提出一种多任务深度学习方法，在可能存在未知类的开放世界中同时进行分类与重构（命名为MDL4OW）。将重构数据与原始数据比较；那些无法被重构的被视为未知，其基于的假设是：由于缺少标签，它们在潜特征中未被充分表示。需要定义阈值以分离未知类与已知类；我们基于极值理论提出针对少样本与多样本场景的两种策略。所提方法在真实世界高光谱图像上进行了测试；取得了最先进的结果，例如在Salinas数据上总体精度提升4.94%。通过考虑开放世界中未知类的存在，我们的方法实现了更准确的高光谱图像分类，尤其在少样本情形下。
引用
@article{arxiv.2009.03508,
title = {Few-Shot Hyperspectral Image Classification With Unknown Classes Using Multitask Deep Learning},
author = {Shengjie Liu and Qian Shi and Liangpei Zhang},
journal= {arXiv preprint arXiv:2009.03508},
year = {2021}
}
备注
Accepted by IEEE TGRS