基于原点子空间建模的高光谱图像广义类别发现
计算机视觉与模式识别
2025-09-30 v1
摘要
广义类别发现（Generalized Category Discovery, GCD）旨在联合识别无标签数据中的已知类别和新颖类别。尽管先前工作主要聚焦于 RGB 图像，但它们的假设与建模策略难以泛化至高光谱图像（HSI），后者本质上具有高维特性并展现出复杂的光谱结构。在本文中，我们提出了首个面向 HSI 的 GCD 框架，引入原点子空间建模模型以更好地捕捉类别结构。与 SimGCD 等现有方法为每个类别学习单个原型向量的做法不同，我们使用一组基向量对每个类别进行建模，形成子空间表示，从而在高维特征空间中实现更强的表达能力和判别性。为了引导这些基向量的学习，我们施加了两个关键约束：（1）基向量正交约束以促进类间可分性；（2）重构约束以确保每个原型基能够有效重构其对应类别的样本。在真实 HSI 上的实验结果表明，我们的方法显著优于现有的最先进 GCD 方法，为高光谱设置下的广义类别发现奠定了坚实基础。
引用
@article{arxiv.2509.24017,
title = {Generalized Category Discovery in Hyperspectral Images via Prototype Subspace Modeling},
author = {Xianlu Li and Nicolas Nadisic and Shaoguang Huang and Aleksandra Pizurica},
journal= {arXiv preprint arXiv:2509.24017},
year = {2025}
}