有限训练样本下的高光谱 CNN 分类
计算机视觉与模式识别
2016-11-29 v1
摘要
高光谱成像传感器在农业和采矿等机器人应用中日益普及，能够基于材料独特的光谱特征对场景中的材料进行逐像素专题分类。近年来，卷积神经网络在分类任务中展现出了卓越的性能，但需要大量带标注的训练数据。这些数据必须充分覆盖预期在环境中会遇到的变化。对于高光谱数据，户外遇到的主要变化之一是由入射光照引起的，其光谱形状和强度会根据场景几何结构发生变化。例如，被遮挡阳光的区域强度较低，且其入射辐照度偏向较短波长。在本研究中，在训练高光谱卷积神经网络时使用了基于重新打光的数据增强策略。它允许在仅给定一个小标注区域的情况下进行户外环境训练，该区域不需要充分代表整个场景的几何变化。这对于获取大量训练数据十分费力、危险或困难的应用（例如标注阴影中的像素）具有重要意义。本文分析了用于预处理高光谱数据的辐射度归一化方法，并表明基于原始像素数据的方法足以作为分类器的输入。这消除了对校准板等外部硬件的需求，此类硬件可能会限制高光谱传感器在机器人应用中的使用。在从野外平台采集的两个数据集上进行了评估该分类系统的实验。
引用
@article{arxiv.1611.09007,
title = {Hyperspectral CNN Classification with Limited Training Samples},
author = {Lloyd Windrim and Rishi Ramakrishnan and Arman Melkumyan and Richard Murphy},
journal= {arXiv preprint arXiv:1611.09007},
year = {2016}
}
备注
10 pages, 6 figures