PUNCH:基于正未标记分类的高光谱图像信息检索

由机载或星载传感器捕获的地物覆盖高光谱图像,提供了关于给定地点所含材料化学组成的丰富信息源。这使得高光谱成像成为地球科学、地物覆盖研究以及军事和战略应用的重要工具。然而,标记训练样本的稀缺性以及光谱特征的空间变异性是高光谱图像分类面临的两大挑战。为解决这些问题,我们旨在基于正未标记(Positive-Unlabelled, PU)分类,开发一种用于高光谱图像中材料无关信息检索的框架。给定高光谱场景,用户标注一些其所寻找材料的正样本,我们的目标是检索出该场景中查询材料的其余所有实例。此外,我们要求系统在任何场景中对任何材料都能同等良好地工作,且无需用户披露查询材料的身份。该框架的材料无关特性赋予了其优越的泛化能力。我们在此框架内探索了两种替代方法来解决高光谱图像分类问题。第一种方法是对基于非负风险估计的PU学习针对高光谱数据的适配。第二种方法基于一对一全正-负分类,其中负类使用一种新颖的光谱-空间检索模型进行近似采样。我们提出了两种标注者模型——均匀(uniform)与块(blob)——用以表示人类标注者的标注模式。我们在三个基准高光谱图像数据集——Indian Pines、Pavia University 和 Salinas——上比较了所提算法在各标注者模型下的性能。