置信区间不够：基于认知感知行为的高光谱图像分类
计算机视觉与模式识别
2025-11-14 v1
摘要
置信区间在高光谱图像分类中常常误导，因为模型倾向于将高预测得分误认为正确，却缺乏对不确定性的意识。这导致确认偏差，尤其在稀疏标注或类别不平衡的情况下，模型会过度拟合自信的错误，难以泛化。我们提出CABIN（Cognitive-Aware Behavior-Informed learNing），一个半监督框架，通过感知、行动和纠正的闭环学习过程来解决这一局限。CABIN首先通过估计认识不确定性来发展感知能力，识别可能出错的模糊区域。随后采用不确定性导引的双采样策略，选择不确定样本进行探索，同时将自信样本作为稳定的伪标签以减少偏差。为纠正噪声监督，CABIN引入细粒度动态分配策略，将伪标记数据划分为可靠、模糊和噪声三个子集，针对性应用损失函数以增强泛化能力。实验结果表明，广泛的多种前沿方法整合CABIN后，均在标签效率和性能方面获得改善。
引用
@article{arxiv.2511.10068,
title = {Perceive, Act and Correct: Confidence Is Not Enough for Hyperspectral Classification},
author = {Muzhou Yang and Wuzhou Quan and Mingqiang Wei},
journal= {arXiv preprint arXiv:2511.10068},
year = {2025}
}
备注
Accepted to AAAI 2026