关联子域对齐网络的跨域高光谱图像分类
2023-10-24王浩宇程玉虎王雪松
王浩宇,程玉虎,王雪松
中国矿业大学信息与控制工程学院,徐州 221116
0 引言
作为遥感领域基础且重要的研究方向之一,高光谱图像(hyperspectral image,HSI)分类旨在利用HSI 所含的光谱和空间信息对图像中每个像素点进行类别判断,进而帮助人类更为清楚地认知所处生存环境(张晶 等,2020)。近年来,HSI分类成功应用于农业、气候探测、国防安全等多个重要领域(Wang等,2022a)。因而,如何提高对HSI 的分类精度是遥感领域的研究热点之一。因具有强大的特征提取能力,机器学习在HSI 处理领域取得了令人瞩目的研究成果(Hong 等,2021)。早期研究人员利用传统机器学习方法提高HSI分类的精度,包括随机森林(叶珍 等,2021)、支持向量机(Melgani 和Bruzzone,2004)以及决策树(Delalieux 等,2012)等。这些传统的HSI 分类方法虽然模型简单,但大多数不能保证分类精度。
作为机器学习中重要的方法,深度学习在许多计算机视觉任务上取得了优异表现,如图像处理、目标检测和自然语言处理等(Chen 等,2019)。深度学习可以自动学习特征,这使其能够应用于多种背景下的任务。且深度网络高级特征提取能力和泛化能力使其大量应用于HSI 分类(Zhang 等,2018;梅少辉 等,2021)。Chen 等人(2015)使用深度置信网络学习HSI的空—谱特征。王芬等人(2021)提出一种深度递归残差神经网络方法,将残差网络和递归网络融合进一个框架中,通过对HSI 空—谱特征进行有效提取完成精准分类。Zhang 等人(2017)提出一种双通道卷积神经网络(convolutional neural network,CNN),分别使用1D-CNN 和2D-CNN 对HSI 的光谱和空间信息进行学习,并将具有判别性的空—谱特征输入分类器。
深度网络强大的特征表达能力往往需要大量有标记的训练样本支撑(Liu 等,2021)。……
