基于谱空间自监督学习的少样本高光谱图像分类
计算机视觉与模式识别
2025-05-21 v2
摘要
少样本高光谱图像(HSIC)分类面临标注样本稀缺的挑战。自监督学习(SSL)和少样本学习(FSL)为解决此问题提供了可行之道。然而，现有方法常难以适应HSIs的空间几何多样性，且缺乏足够的光谱先验知识。为此，本文提出一种方法——用于少样本HSIC分类的谱空间自监督学习(S4L-FSC)，旨在提高少样本HSIC分类的性能。具体而言，本文首先利用设计好的旋转-镜像自监督学习(RM-SSL)方法，结合FSL，利用异构数据集对空间特征提取器进行预训练。该方法使模型能够利用旋转和镜像标签作为监督信号，学习HSIs的空间几何多样性，同时通过少样本学习获取可迁移的空间元知识。随后，使用异构数据集结合FSL和掩码重建自监督学习(MR-SSL)对光谱特征提取器进行预训练。模型学习从随机遮蔽的光谱向量中恢复原始光谱信息，从而推断光谱依赖性。并行地，FSL引导模型提取像素级判别特征，从而将丰富的光谱先验嵌入模型。这种谱空间预训练方法，以及来自异构和同构来源知识的整合，显著提升了模型性能。在四个HSIC数据集上的大量实验表明，所提出的S4L-FSC方法在少样本HSIC分类方面有效且优越。
引用
@article{arxiv.2505.12482,
title = {Spectral-Spatial Self-Supervised Learning for Few-Shot Hyperspectral Image Classification},
author = {Wenchen Chen and Yanmei Zhang and Zhongwei Xiao and Jianping Chu and Xingbo Wang},
journal= {arXiv preprint arXiv:2505.12482},
year = {2025}
}
备注
https://github.com/Wenchen-Chen/S4L-FSC