基于变换器的扩散模型的高光谱数据增强
计算机视觉与模式识别
2025-10-10 v1
摘要
新一代高光谱卫星传感器的出现，结合深度学习方法的进步，显著增强了对大中尺度地表覆盖类别进行详细分类的能力。然而，深度学习方法面临在小型标注数据集上训练网络时过拟合的重大挑战。本文提出一种利用引导扩散模型的数据增强技术。为有效地使用有限的标注样本训练模型并捕捉数据中的复杂模式，我们实现了一个轻量级变换器网络。此外，我们引入修改加权损失函数和优化的余弦方差调度器，有助于在小数据集上进行快速有效的训练。我们在使用 PRISMA 卫星获取的高光谱图像进行的森林分类任务（包含 10 种不同森林类型）上评估了所提方法的有效性。结果表明，所提方法在平均和加权平均准确率方面均优于其他数据增强技术。该方法的有效性进一步通过模型稳定训练行为得到强调，这解决了深度生成模型用于数据增强在实际应用中常见的局限性。
引用
@article{arxiv.2510.08363,
title = {Hyperspectral data augmentation with transformer-based diffusion models},
author = {Mattia Ferrari and Lorenzo Bruzzone},
journal= {arXiv preprint arXiv:2510.08363},
year = {2025}
}
备注
10 pages, 2 figures, accepted at SPIE REMOTE SENSING conference 16-20 September 2024 Edinburgh, United Kingdom