用于高光谱图像分类的三元组分水岭方法
计算机视觉与模式识别
2024-10-28 v3
摘要
高光谱图像（HSI）包含丰富的空间与光谱信息，可潜在用于多种应用。然而，噪声、波段相关性与高维度限制了此类数据的适用性。近期这一问题通过创造性的深度学习网络架构（如ResNet、SSRN和A2S2K）得到解决。但最后一层即分类层保持不变，仍采用softmax分类器。本文中，我们提出使用分水岭分类器。分水岭分类器将数学形态学中的分水岭算子扩展用于分类。其原始形式不含可训练参数。本文提出一种新方法训练深度学习网络，以获得适用于分水岭分类器的表示。分水岭分类器利用HSI数据集的连接模式特征以获得更好的推断。我们表明，利用此类特征可使三元组分水岭在监督与半监督场景下取得SOTA结果。这些结果在Indianpines（IP）、University of Pavia（UP）、Kennedy Space Center（KSC）和University of Houston（UH）数据集上得到验证，所依赖的简易convnet架构参数量仅为先前SOTA网络的四分之一。用于复现实验的源代码与补充材料（高分辨率图像）可在 https://github.com/ac20/TripletWatershed Code 获取。
引用
@article{arxiv.2103.09384,
title = {Triplet-Watershed for Hyperspectral Image Classification},
author = {Aditya Challa and Sravan Danda and B. S. Daya Sagar and Laurent Najman},
journal= {arXiv preprint arXiv:2103.09384},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication