用于高光谱图像分类的生成对抗网络与概率图模型
计算机视觉与模式识别
2018-02-13 v1 人工智能
摘要
高光谱维度和标注匮乏使得高光谱图像(HSI)分类成为一项具有挑战性的问题。近期研究表明,卷积神经网络能够学习判别性的空间特征,这在HSI解译中起着至关重要的作用。然而,这些方法大多忽略了高光谱数据特有的谱-空特征。此外,大量未标注数据仍是未被开发的、用于高效数据利用的宝藏。因此,我们提出了一种生成对抗网络(GANs)与概率图模型相融合的高光谱图像分类方法。具体而言,我们使用谱-空生成器和判别器来识别高光谱立方体的地物类别。此外,为利用大量未标注数据,我们采用条件随机场对GANs生成的初步分类结果进行精化。在两个常用数据集上的实验结果表明,所提框架在使用少量训练数据时取得了令人鼓舞的分类精度。
引用
@article{arxiv.1802.03495,
title = {Generative Adversarial Networks and Probabilistic Graph Models for Hyperspectral Image Classification},
author = {Zilong Zhong and Jonathan Li},
journal= {arXiv preprint arXiv:1802.03495},
year = {2018}
}
备注
Accepted by AAAI-18