面向跨域少样本高光谱图像分类的多级关系学习
计算机视觉与模式识别
2023-12-27 v2 人工智能
摘要
跨域少样本高光谱图像分类致力于从源域大量标注样本中学习先验知识，再将其迁移到目标域中仅含少量标注样本的任务。遵循基于度量的方式，许多现有方法先提取查询样本与支持样本的特征，再依据其与支持样本或原型的距离直接预测查询样本类别。样本间的关系尚未被充分挖掘与利用。与现有工作不同，本文提出在不同层级上学习样本关系，并将其纳入模型学习过程，以改进跨域少样本高光谱图像分类。在采用域判别器处理域级分布差异的现有“深度跨域少样本高光谱图像分类”方法基础上，所提方法应用对比学习来学习类级样本关系，以获得更具判别性的样本特征。此外，其采用基于 transformer 的交叉注意力学习模块来学习集合级样本关系，并获取查询样本对支持样本的注意力。与 SOTA 方法相比，我们的实验结果证明了多级关系学习机制对少样本高光谱图像分类的贡献。
引用
@article{arxiv.2311.01212,
title = {Multi-level Relation Learning for Cross-domain Few-shot Hyperspectral Image Classification},
author = {Chun Liu and Longwei Yang and Zheng Li and Wei Yang and Zhigang Han and Jianzhong Guo and Junyong Yu},
journal= {arXiv preprint arXiv:2311.01212},
year = {2023}
}