利用光谱解混提升深度高光谱图像分类性能
计算机视觉与模式识别
2020-12-22 v4 机器学习
图像与视频处理
摘要
神经网络的最新进展在高光谱图像（HSI）分类方面取得了巨大进步。然而，主要由复杂模型结构和小训练集引起的过拟合效应仍是一个主要问题。降低神经网络复杂度可在一定程度上防止过拟合，但也削弱了网络表达更抽象特征的能力。扩大训练集同样困难，因为采集和人工标注成本高昂。本文中，我们提出一种基于丰度的多 HSI 分类方法。首先，我们通过特定数据集的自编码器将每幅 HSI 从光谱域转换到丰度域。其次，收集来自多个 HSI 的丰度表示以形成扩充的数据集。最后，我们训练一个基于丰度的分类器，并用该分类器对所有涉及的 HSI 数据集进行预测。与通常高度混合的光谱不同，丰度特征在降维后更具代表性且噪声更少。这使所提方法能够使用简单分类器和扩充的训练数据，并预期更少的过拟合问题。所提方法的有效性通过消融研究和对比实验得到验证。
引用
@article{arxiv.2004.00583,
title = {Improving Deep Hyperspectral Image Classification Performance with Spectral Unmixing},
author = {Alan J. X. Guo and Fei Zhu},
journal= {arXiv preprint arXiv:2004.00583},
year = {2020}
}