通过谱-空域不确定性解�合实现面向开放集的域泛化
计算机视觉与模式识别
2025-11-24 v2
摘要
开放集域泛化（OSDG）旨在解决两个双重挑战：在不使用目标数据的情况下既要识别未知类别，又要实现跨不可见域的泛化。本文提出一种针对高光谱图像分类的 OSDG 框架，核心为一种新的谱-空域不确定性解�合机制。该机制旨在解决影响其在谱、空域以及组合特征提取路径上的域漂移问题，采用证据深度学习后，自适应选择每个样本最可靠的路径。该框架进一步集成了频域特征提取以实现域无关表征学习，双通道残差网络用于谱-空域特征提取，以及基于证据深度学习的不确定性量化。在三个跨场景高光谱数据集上进行的实验表明，尽管未使用目标数据，即可实现相当于最先进域适应方法的性能水平，同时保持高水平的未知类别拒绝和已知类别准确率。该实现将在 github.com/amir-khb/UGOSDG 上公开。
引用
@article{arxiv.2506.09460,
title = {Open-Set Domain Generalization through Spectral-Spatial Uncertainty Disentanglement for Hyperspectral Image Classification},
author = {Amirreza Khoshbakht and Erchan Aptoula},
journal= {arXiv preprint arXiv:2506.09460},
year = {2025}
}