基于共享丰度空间物理约束迁移学习的 hyperspectral 图像分类
计算机视觉与模式识别
2021-12-08 v2
摘要
高光谱图像（HSI）分类是最活跃的研究课题之一，并受益于深度学习的最近发展取得了有前景的结果。然而，大多数最先进的方法在训练与测试图像处于不同域（例如分别为源域和目标域）时往往表现不佳，这是由于不同采集条件引起的光谱变异性。基于迁移学习的方法通过在源域预训练并在目标域微调来解决此问题。尽管如此，目标域相当数量的数据必须被标注，且需要不可忽略的计算资源来重新训练整个网络。在本文中，我们提出一种新的迁移学习方案，通过基于源域和目标域各自的物理特性将其HSI数据投影到一个共享丰度空间，来弥合源域和目标域之间的差距。以此方式，域差异将被大幅减小，从而使得在源域上训练的模型可应用于目标域而无需额外的数据标注或网络重训练工作。所提方法被称为基于共享丰度空间的物理约束迁移学习（PCTL-SAS）。大量实验结果表明所提方法相对于最先进方法的优越性。这一工作的成功将极大促进HSI分类在真实世界感知场景中的部署。
引用
@article{arxiv.2008.08563,
title = {Physically-Constrained Transfer Learning through Shared Abundance Space for Hyperspectral Image Classification},
author = {Ying Qu and Razieh Kaviani Baghbaderani and Wei Li and Lianru Gao and Hairong Qi},
journal= {arXiv preprint arXiv:2008.08563},
year = {2021}
}