HOpenCls：基于野生数据的光谱图像开放集分类训练框架
计算机视觉与模式识别
2025-02-24 v1
摘要
光谱图像（HSI）开放集分类对于在实际环境中部署的分类模型至关重要，此时分类器必须同时对已知类别进行分类并拒绝未知类别。最近的方法利用辅助的未知类别数据来提高分类性能。然而，辅助的未知类别数据被强烈假设为与已知类别完全可分开，并且需要耗时的标注。为解决这一限制，本文提出了一种新框架HOpenCls，利用无标签的野生数据——即已知类别和未知类别的混合数据。此类野生数据丰富且可以在部署分类器的生活环境中自由收集。我们的关键思想是将开放集HSI分类重新表述为正-未标记（PU）学习问题。具体地，引入多标签策略以桥接PU学习与开放集HSI分类，然后提出的梯度收缩和梯度扩张模块，以便于从野生数据异常梯度权重的观察中使PU学习问题可行。大量实验结果表明，纳入野生数据有望在复杂的实际场景中显著提高开放集HSI分类性能。
引用
@article{arxiv.2502.15163,
title = {HOpenCls: Training Hyperspectral Image Open-Set Classifiers in Their Living Environments},
author = {Hengwei Zhao and Xinyu Wang and Zhuo Zheng and Jingtao Li and Yanfei Zhong},
journal= {arXiv preprint arXiv:2502.15163},
year = {2025}
}