基于三维卷积自编码器的高光谱图像无监督分割
计算机视觉与模式识别
2020-12-02 v1
摘要
高光谱图像分析已成为遥感界广泛研究的一个重要课题。由于高光谱图像在多个光谱波段中捕获了详细信息，对此类图像进行分类与分割有助于理解扫描场景中的潜在物质。尽管深度学习已在该领域确立了最先进水平，但由于缺乏真实标注数据，训练具有良好泛化能力的模型仍然具有挑战性。在本文中，我们解决这一问题，并提出一种以完全无监督方式分割高光谱图像的端到端方法。我们引入了一种新的深度架构，将三维卷积自编码器与聚类相结合。我们在基准数据和真实数据上进行的多方面实验研究表明，我们的方法无需任何先验类别标签即可提供高质量的分割。
引用
@article{arxiv.1907.08870,
title = {Unsupervised Segmentation of Hyperspectral Images Using 3D Convolutional Autoencoders},
author = {Jakub Nalepa and Michal Myller and Yasuteru Imai and Ken-ichi Honda and Tomomi Takeda and Marek Antoniak},
journal= {arXiv preprint arXiv:1907.08870},
year = {2020}
}
备注
Submitted to IEEE Geoscience and Remote Sensing Letters