基于Transformer的跨光谱图像分类主动迁移学习
计算机视觉与模式识别
2025-08-05 v2
摘要
光谱图像（HSI）分类天然面临高光谱维数、显著域迁移和标注数据稀缺的挑战。为此，我们提出一种基于空间-光谱Transformer（SST）背板的新型主动迁移学习（ATL）框架。该框架集成了多阶段迁移学习与不确定性-多样性驱动的主动学习机制，战略性地选择具有高度信息性和多样性的样本进行标注，从而显著降低标注成本并缓解样本冗余。引入动态层冻结策略以增强可迁移性和计算效率，使模型能够根据域迁移特征选择性地适应各层。此外，我们采用自校准注意力机制，在适应过程中依据不确定性反馈动态细化空间和光谱权重。多样性促进的抽样策略确保所选样本在光谱覆盖面方面具有广泛覆盖，防止对特定类别的过拟合。大量在基准跨域HSI数据集上的实验表明，所提出的SST-ATL框架在分类性能方面优于传统方法。源代码已公开于https://github.com/mahmad000/ATL-SST。
关键词
引用
@article{arxiv.2411.18115,
title = {Transformer-Driven Active Transfer Learning for Cross-Hyperspectral Image Classification},
author = {Muhammad Ahmad and Francesco Mauro and Manuel Mazzara and Salvatore Distefano and Adil Mehmood Khan and Silvia Liberata Ullo},
journal= {arXiv preprint arXiv:2411.18115},
year = {2025}
}