基于原型学习与聚类的少样本未知类别 hyperspectral 图像发现
计算机视觉与模式识别
2025-08-26 v1
摘要
开放集少样本 hyperspectral 图像（HSI）分类旨在使用每类少量标记像元来分类图像像元，其中待分类的像元可能并非全部来自已知类别。为解决开放集 HSI 分类挑战，当前方法主要聚焦于区分未知类别样本与已知类别样本并排除它们，以提高已知类别识别准确性。但这些方法未能进一步识别或发现未知类别中的样本。本文提出了一种用于在少样本环境下发现 HSI 中未知类别的原型学习与聚类方法。该方法利用少量标记样本，致力于推断未知类别原型的能力，同时区分未知类别与已知类别。一旦由所学已知类别分类器识别并排除了未知类别样本，本方法便可根据其与推断未知类别原型的距离，将这些未知类别样本进一步聚类到不同的类别中。与现有所谓方法相比，在四个基准 HSI 数据集上进行的广泛实验表明，所提出的方法在开放集少样本 HSI 分类任务中表现出竞争性能。所有代码均可在 \href{https://github.com/KOBEN-ff/OpenFUCD-main} {https://github.com/KOBEN-ff/OpenFUCD-main} 获取。
关键词
引用
@article{arxiv.2508.18075,
title = {Few-shot Unknown Class Discovery of Hyperspectral Images with Prototype Learning and Clustering},
author = {Chun Liu and Chen Zhang and Zhuo Li and Zheng Li and Wei Yang},
journal= {arXiv preprint arXiv:2508.18075},
year = {2025}
}