用于跨场景高光谱图像分类的单源域扩展网络
计算机视觉与模式识别
2023-03-22 v1
摘要
当前，跨场景高光谱图像（HSI）分类受到越来越多的关注。当目标域（TD）需要实时处理且无法用于重新训练时，仅在源域（SD）上训练模型并直接将模型迁移至 TD 是必要的。基于域泛化思想，我们提出了单源域扩展网络（SDEnet）以确保域扩展的可靠性和有效性。该方法使用生成对抗学习在 SD 中训练、在 TD 中测试。设计了一个包含语义编码器和形态编码器的生成器，基于编码器-随机化-解码器架构生成扩展域（ED），其中空间与光谱随机化被专门用于生成可变的空间与光谱信息，且形态学知识作为域不变信息在域扩展过程中被隐式应用。此外，判别器中采用监督对比学习以学习类级域不变表示，驱动 SD 与 ED 的类内样本。同时，设计对抗训练优化生成器以驱动 SD 与 ED 的类内样本分离。在两个公开 HSI 数据集和一个额外的多光谱图像（MSI）数据集上的大量实验证明了所提方法与最先进技术相比的优越性。
引用
@article{arxiv.2209.01634,
title = {Single-source Domain Expansion Network for Cross-Scene Hyperspectral Image Classification},
author = {Yuxiang Zhang and Wei Li and Weidong Sun and Ran Tao and Qian Du},
journal= {arXiv preprint arXiv:2209.01634},
year = {2023}
}