图卢兹高光谱数据集：用于评估半监督光谱表示学习与逐像素分类技术的基准数据集
计算机视觉与模式识别
2024-03-26 v3
摘要
机载高光谱图像因其宽光谱域上极高的空间与光谱分辨率，可用于绘制大都市区的土地覆盖。尽管高光谱图像的光谱维度对地表化学组成具有高度指示性，但最先进机器学习算法在土地覆盖制图中的应用却因训练数据的可用性而受到极大限制。为应对标注稀缺，半监督与自监督技术近来在社区中引起大量关注。然而，常用于基准测试机器学习模型的公开高光谱数据集由于具有以下一项或多项特性，并不完全适合评估其泛化性能：有限的地理覆盖（未能反映都市区的光谱多样性）、较少的土地覆盖类别，以及缺乏适用于半监督和自监督学习的恰当标准训练/测试划分。因此，我们在本文中发布图卢兹高光谱数据集，其在上述方面有别于其他数据集，以满足在标注像素极少的大规模高光谱图像上进行光谱表示学习与分类的关键问题。此外，我们讨论并实验了用于光谱表示学习的自监督技术，包括掩码自编码器（Masked Autoencoder），并建立了逐像素分类的基线，达到 85% 总体精度和 77% F1 分数。图卢兹高光谱数据集与我们的代码分别公开于 https://www.toulouse-hyperspectral-data-set.com 和 https://www.github.com/Romain3Ch216/tlse-experiments。
引用
@article{arxiv.2311.08863,
title = {Toulouse Hyperspectral Data Set: a benchmark data set to assess semi-supervised spectral representation learning and pixel-wise classification techniques},
author = {Romain Thoreau and Laurent Risser and Véronique Achard and Béatrice Berthelot and Xavier Briottet},
journal= {arXiv preprint arXiv:2311.08863},
year = {2024}
}
备注
17 pages, 13 figures