基于光谱知识的多任务深度学习用于高光谱图像分类
计算机视觉与模式识别
2020-12-30 v4
摘要
在本快报中,我们提出一种多任务深度学习方法,用于在单次训练中分类多个高光谱数据。深度学习模型在高光谱图像分类上已取得有前景的结果,但其性能高度依赖于充足的标注样本,而高光谱图像上此类样本稀缺。然而,来自多个数据集的样本可能足以训练一个深度学习模型,从而提升其性能。为此,我们为所有数据训练了相同的特征提取器,并将提取的特征输入相应的 Softmax 分类器。引入光谱知识以确保共享特征在域间相似。实验使用了四个高光谱数据集。与基线相比,我们在三个数据集(Pavia University、Pavia Center 和 Indian Pines)上取得了更高的分类精度,在 Salinas Valley 数据上取得了有竞争力的结果。当数据具有相似光谱响应时,光谱知识有助于防止深度网络过拟合。所提方法在两个深度 CNN 上测试,成功展示了其利用多数据集样本并增强网络性能的能力。
引用
@article{arxiv.1905.04535,
title = {Multitask Deep Learning with Spectral Knowledge for Hyperspectral Image Classification},
author = {Shengjie Liu and Qian Shi},
journal= {arXiv preprint arXiv:1905.04535},
year = {2020}
}
备注
Accepted by IEEE GRSL