S4DL：针对高光谱图像无监督域适应的移位敏感空间-光谱解�合学习
计算机视觉与模式识别
2024-08-29 v1 人工智能
摘要
高光谱图像(HSI)分类中的无监督域适应技术旨在利用标记了的源域数据和未标记的目标域数据，学习跨场景分类的域不变特征。与自然图像相比，HSI的众多光谱波段提供了丰富的语义信息，但也显著增加了域迁移。大多数现有方法中，显式对齐和隐式对齐仅关注特征分布对齐，忽略了光谱中的域信息。我们注意到，当源域和目标域之间的光谱通道明显区分时，这些方法的迁移性能会恶化。此外，由于不同数据集之间的域迁移差异大，这些方法的性能也会大幅波动。为解决这些问题，提出了一种移位敏感空间-光谱解�合学习(S4DL)方法。在S4DL中，设计了引导域分类梯度的空间-光谱分解，以生成针对性掩码，分离域特定与域不变表示。定义了移位敏感自适应监控器，用于根据域迁移幅度调整解�合强度。此外，构建了可逆神经网络，以保留不仅在语义层面，还在浅层细节信息中隐藏的域信息。在多个跨场景HSI数据集上的大量实验结果一致证明，S4DL优于当前最先进的UDA方法。我们的源代码将在https://github.com/xdu-jjgs/S4DL上提供。
引用
@article{arxiv.2408.15263,
title = {S4DL: Shift-sensitive Spatial-Spectral Disentangling Learning for Hyperspectral Image Unsupervised Domain Adaptation},
author = {Jie Feng and Tianshu Zhang and Junpeng Zhang and Ronghua Shang and Weisheng Dong and Guangming Shi and Licheng Jiao},
journal= {arXiv preprint arXiv:2408.15263},
year = {2024}
}