基于边缘感知超像素标签传递与自适应伪标签的半监督光谱图像分类
计算机视觉与模式识别
2026-01-27 v1
摘要
关于特征提取与分类性能，半监督光谱图像(HSI)分类已取得显著进展。然而，由于标注成本高昂和样本稀缺，半监督学习仍面临边界标签扩散和伪标签不稳定等挑战。为此，本文提出一种新型半监督光谱分类框架，将空间先验信息与动态学习机制集成。首先，我们设计了边缘感知超像素标签传递(EASLP)模块。通过集成边缘强度惩罚与邻域校正策略，EASLP在超像素分割过程中减缓标签扩散，同时增强边界区域的分类鲁棒性。其次，我们引入动态历史融合预测(DHP)方法。通过维持历史预测并动态加权当前结果，DHP平滑伪标签波动，提高时序一致性与抗噪能力。同时，结合置信度与一致性度量，自适应三分样本分类(ATSC)策略实施对易、模糊、难样本的层次化利用，提升伪标签质量与学习效率。由DHP与ATSC组成的动态可靠性增强伪标签框架(DREPL)强化了跨时域与跨样本域的伪标签稳定性。与EASLP协同工作后，实现了时空一致性优化。在四个基准数据集上的评估表明，其能够保持卓越的分类性能。
引用
@article{arxiv.2601.18049,
title = {Semi-Supervised Hyperspectral Image Classification with Edge-Aware Superpixel Label Propagation and Adaptive Pseudo-Labeling},
author = {Yunfei Qiu and Qiqiong Ma and Tianhua Lv and Li Fang and Shudong Zhou and Wei Yao},
journal= {arXiv preprint arXiv:2601.18049},
year = {2026}
}