用于降维高光谱图像分割的迁移学习
计算机视觉与模式识别
2020-07-15 v1
摘要
深度学习已在多个领域确立最先进水平，包括高光谱图像分析。然而，训练大容量学习器来分割此类图像需要具代表性的训练集。获取此类数据依赖人力且耗时，尤其在地球观测场景中，高光谱数据传输成本很高且受时间限制。在本快报中，我们展示如何有效应对可用高光谱地面真值集数量与规模有限的问题，并应用迁移学习来构建深度特征提取器。此外，我们利用光谱降维使我们的技术适用于使用不同传感器获取的高光谱数据，这些传感器可能捕获不同数量的高光谱波段。在多个基准上执行并经统计检验支持的实验表明，我们的方法使我们即使在使用显著减少的数据时也能有效训练具有良好泛化能力的深度卷积神经网络。
引用
@article{arxiv.1906.09631,
title = {Transfer Learning for Segmenting Dimensionally-Reduced Hyperspectral Images},
author = {Jakub Nalepa and Michal Myller and Michal Kawulok},
journal= {arXiv preprint arXiv:1906.09631},
year = {2020}
}
备注
Submitted to IEEE Geoscience and Remote Sensing Letters