利用可训练张量分解将RGB模型迁移学习到高光谱图像
计算机视觉与模式识别
2026-05-28 v1
摘要
迁移学习使得大型视觉网络能够应用于多种领域，通过将其模型的通用滤波器专门化以适应新任务。然而，这些网络假设输入图像具有3个输入通道，使其与多光谱或高光谱图像不兼容。当前缓解这种不兼容性的方法要么牺牲图像信息，要么牺牲模型信息。本文提出了一种新颖的方法，通过使用部分可训练的张量分解来保留模型中的图像和空间信息。我们对预训练卷积滤波器创建此类分解，将滤波器分离为空间和光谱分量。然后，光谱分量被替换为具有更高通道维度的可训练分量。这创建了能够专门化以适应新数据集的高光谱滤波器，同时保留了原始滤波器的空间模式。在多种高光谱数据集上的实验表明，我们的方法比其他高光谱迁移学习方法更准确、更鲁棒。
引用
@article{arxiv.2605.28331,
title = {Transfer learning RGB models to hyperspectral images with trainable tensor decompositions},
author = {Mariette Schönfeld and Laurens Devos and Wannes Meert and Hendrik Blockeel},
journal= {arXiv preprint arXiv:2605.28331},
year = {2026}
}