基于非线性相对归一化的多时相多源遥感图像分类
信号处理
2020-12-09 v1 计算机视觉与模式识别
图像与视频处理
摘要
利用多传感器进行遥感图像分类是一个极具挑战性的问题：不同模态的数据受到各类光谱畸变和对不准的影响，这阻碍了为一个图像建立的模型成功用于其他场景。为了跨图像采集自适应和迁移模型，必须能够处理未共配准、在不同光照和大气条件下由不同传感器获取且地面参考稀少的数据集。传统上，使用了基于直方图匹配的方法。然而，当密度形状差异很大或图像间无可匹配对应波段时，它们会失效。一种替代方案建立在流形对齐之上。流形对齐在产品生成前对数据进行多维相对归一化，可应对不同维度（如不同波段数）的数据以及可能无配对样本的情况。对齐数据分布是一种吸引人的策略，因为它能提供彼此更相似的数据空间，而无论变换后数据的后续用途。本文研究了一种通过核化以非线性方式对齐不同域数据的方法。我们引入了核流形对齐（KEMA）方法，其提供灵活且具判别力的投影映射，仅利用每个域中少量有标签样本（或语义关联），并归结为求解一个广义特征值问题。我们在多时相和多源甚高分辨率分类任务以及使模型对高光谱成像阴影不变的任务上成功测试了 KEMA。
引用
@article{arxiv.2012.04469,
title = {Multi-temporal and multi-source remote sensing image classification by nonlinear relative normalization},
author = {Devis Tuia and Diego Marcos and Gustau Camps-Valls},
journal= {arXiv preprint arXiv:2012.04469},
year = {2020}
}