基于光谱特性的数据增强用于高光谱单源域泛化
计算机视觉与模式识别
2026-03-18 v1
摘要
虽然高光谱图像(HSI)因其丰富的光谱通道数而在分类任务中提供大量信息，但其维度的增加和传感器的可变性使其更敏感地受到跨域分布性差异的影响，从而可能影响分类性能。为解决这一问题，高光谱单源域泛化(SDG)通常采用数据增强来模拟潜在的域迁移并在单源域训练数据的可得性下增强模型的鲁棒性。然而，盲目增强可能产生与真实世界情境不一致的样本，而过度强调真实性又可能抑制多样性，突显了真实性与多样性之间的权衡，这会限制对目标域的泛化。为此，我们提出了一种基于光谱特性的数据增强(SPDDA)，该方法显式地考虑了HSI的内在特性，即光谱通道数的设备相关变动以及相邻通道的混合。具体而言，SPDDA采用光谱多样性模块沿光谱维度对源域数据进行重采样，以生成具有不同光谱通道数的样本，并通过建模跨通道相似性构建通道注意力光谱混合器，从而避免固定的增强模式。为进一步增强增强样本的真实性，我们提出了一种空间-光谱联合优化机制，联合优化空间保真约束和光谱连续性自约束。此外，根据空间对应的效果自适应调整光谱自约束的权重，从而防止光谱维度的过平滑并保留空间结构。在三个遥感基准数据集上进行的大量实验表明，SPDDA优于现有的领先方法。
引用
@article{arxiv.2603.16662,
title = {Spectral Property-Driven Data Augmentation for Hyperspectral Single-Source Domain Generalization},
author = {Taiqin Chen and Yifeng Wang and Xiaochen Feng and Zhilin Zhu and Hao Sha and Yingjian Li and Yongbing Zhang},
journal= {arXiv preprint arXiv:2603.16662},
year = {2026}
}