HyperTTA：面对分布迁移的高光谱图像分类测试时适应
计算机视觉与模式识别
2025-09-23 v2
摘要
高光谱图像（HSI）分类模型对由噪声、模糊、压缩和大气效应等实际引起的分布迁移高度敏感。为应对这一挑战，我们提出了 HyperTTA（Test-Time Adaptable Transformer for Hyperspectral Degradation，面向高光谱退化的测试时适应 Transformer），这是一个统一的框架，可增强其在多样化退化条件下的鲁棒性。首先，我们构建了一个多退化高光谱基准，系统性地模拟九种代表性退化，实现对鲁棒分类的全面评估。基于此基准，我们开发了一种具有多层感受野机制和标签平滑正则化的光谱-空间 Transformer 分类器（Spectral--Spatial Transformer Classifier, SSTC），以捕获多尺度空间上下文并提高泛化能力。此外，我们引入一种轻量级测试时适应策略，即置信度感知熵最小化 LayerNorm 适配器（Confidence-aware Entropy-minimized LayerNorm Adapter, CELA），该策略通过最小化来自高置信度无标签目标样本上的预测熵来动态更新仅 LayerNorm 层的仿射参数。该策略确保在无需源数据或目标标签的情况下实现可靠适应。实验表明，HyperTTA 在两种基准数据集上在广泛的退化场景中均优于最先进的基线方法。代码将公开发布。
引用
@article{arxiv.2509.08436,
title = {HyperTTA: Test-Time Adaptation for Hyperspectral Image Classification under Distribution Shifts},
author = {Xia Yue and Anfeng Liu and Ning Chen and Chenjia Huang and Hui Liu and Zhou Huang and Leyuan Fang},
journal= {arXiv preprint arXiv:2509.08436},
year = {2025}
}