SLCRF：用于高光谱图像分类的带条件随机场的子空间学习
计算机视觉与模式识别
2021-05-05 v1 最优化与控制
摘要
子空间学习（SL）在高光谱图像（HSI）分类中起着重要作用，因为它能为减少 HSI 图像像素中的冗余信息提供有效解决方案。以往关于 SL 的工作旨在提高 HSI 识别的准确率。利用大量有标签样本，相关方法可以训练所提方案的参数以获得更好的 HSI 像素表示。然而，在实际应用中，数据实例可能不足以学习精确的 HSI 分类模型。此外，众所周知，标注 HSI 图像需要耗费大量时间、人力和专业知识。为避免上述问题，我们提出了一种包含概率假设的新型 SL 方法，称为带条件随机场的子空间学习（SLCRF）。在 SLCRF 中，首先引入三维卷积自编码器（3DCAE）以去除 HSI 像素中的冗余信息。此外，还利用相邻像素间的谱-空信息构建关系。然后，可以构建条件随机场（CRF）框架，并通过半监督方法进一步嵌入到 HSI SL 过程中。通过称为 LADMAP 的线性化交替方向法，使用定义的迭代算法优化 SLCRF 的目标函数。所提方法使用具有挑战性的公开 HSI 数据集进行了全面评估。利用这些 HSI 数据集，我们取得了最先进的性能。
引用
@article{arxiv.2010.03115,
title = {SLCRF: Subspace Learning with Conditional Random Field for Hyperspectral Image Classification},
author = {Yun Cao and Jie Mei and Yuebin Wang and Liqiang Zhang and Junhuan Peng and Bing Zhang and Lihua Li and Yibo Zheng},
journal= {arXiv preprint arXiv:2010.03115},
year = {2021}
}
备注
13 pages, 6 figures