用于高光谱图像分类的改进类概率估计多样性协同训练
计算机视觉与模式识别
2018-09-06 v1
摘要
由于标记训练数据量少且类别不平衡，传统的监督学习无法保证所学特征对高光谱图像（HSI）分类的判别性。本文提出一种改进的类概率估计多样性（MDCPE）方法，利用两个深度神经网络学习光谱-空间特征用于 HSI 分类。在协同训练阶段，循环神经网络（RNN）和卷积神经网络（CNN）被用作两个学习器，从有标记和无标记数据中提取特征。基于提取的特征，MDCPE 通过将 k-means 聚类与传统的类概率估计多样性（DCPE）协同训练相结合，筛选最可信样本以更新初始标记数据。以此方式，MDCPE 能保持新标记数据的类别平衡，并为少数类和多数类提取判别性特征。在测试过程中，分类结果由两个学习器的协同决策获得。实验结果表明，所提出的半监督协同训练方法能充分利用无标记信息增强学习器的泛化能力，并在三个广泛使用的数据集 Salinas、Pavia University 和 Pavia Center 上取得良好精度。
引用
@article{arxiv.1809.01436,
title = {Modified Diversity of Class Probability Estimation Co-training for Hyperspectral Image Classification},
author = {Yan Ju and Lingling Li and Licheng Jiao and Zhongle Ren and Biao Hou and Shuyuan Yang},
journal= {arXiv preprint arXiv:1809.01436},
year = {2018}
}
备注
13 pages, 10 figures and 8 tables