含噪声标签下的高光谱图像分类
计算机视觉与模式识别
2019-04-03 v2
摘要
标签信息在有监督高光谱图像分类问题中起着重要作用。然而，当前的分类方法都忽略了一个重要且不可避免的问题——标签可能被污染，且为训练样本收集干净标签是困难且通常不切实际的。因此，如何从带有噪声标签的数据库中学习是一个具有重大实际意义的问题。本文研究了标签噪声对高光谱图像分类的影响，并提出了一种随机标签传播算法（RLPA）来清除标签噪声。RLPA的核心思想是利用从观测到的高光谱图像中获取的知识（例如基于超像素的光谱-空间约束）并将其应用于标签传播过程。具体而言，RLPA首先构建一个同时考虑光谱相似性和基于超像素的空间信息的光谱-空间概率转移矩阵（SSPTM）。然后它随机选取一些训练样本作为“干净”样本，将其余样本设为未标记样本，并利用SSPTM将标签信息从“干净”样本传播到其余未标记样本。通过重复随机分配（“干净”标记样本与未标记样本）和传播，我们可以为每个训练样本获得多个标签。因此，最终的传播标签可通过多数投票算法计算。实验研究表明，RLPA能够降低噪声标签的水平，并展示了我们所提方法相对于四种主要分类器的显著优势——在平均OA、AA、Kappa方面的增益令人印象深刻，例如分别为9.18%、9.58%和0.1043。Matlab源代码可在 https://github.com/junjun-jiang/RLPA 获取。
引用
@article{arxiv.1809.04212,
title = {Hyperspectral Image Classification in the Presence of Noisy Labels},
author = {Junjun Jiang and Jiayi Ma and Zheng Wang and Chen Chen and Xianming Liu},
journal= {arXiv preprint arXiv:1809.04212},
year = {2019}
}
备注
Accepted by IEEE TGRS. In this version, the Table III is revised