NO.1 论文简介
在高光谱图像分类领域中，标记样本通常是难以获取的，数量往往是十分有限的，因此出现了小样本分类任务。此外，当一个高光谱数据集（称为目标域）只有很少的有标签数据，而另一个数据集（称为源域）有足够的有标签数据。源域和目标域的数据分布和特征分布大都具有显著差异，因此还会产生跨域问题。针对当前高光谱图像跨域小样本分类领域存在的问题，如低分类精度和有限的泛化能力，提出了一种子空间和存储体的跨域小样本高光谱图像分类方法。该方法改进了一种融合通道注意机制和光谱空间注意机制的特征提取器，以充分提取原始高光谱图像的光谱空间信息。通过对比学习机制，分析小样本之间的多样性和差异性，提升了模型在小样本情况下的判别能力和泛化性能。同时，利用自适应子空间来改进原型网络，以提高嵌入特征的利用率，从而提升了模型的分类精度。最后，引入存储体模块实现跨域对齐，增强了模型在跨域条件下的分类性能。通过迭代训练和不断优化，使用优化后的特征提取器对测试集进行分类。笔者使用了四个常用的数据集，将本文方法与当前主流的高光谱跨域小样本分类方法进行了比较。实验结果显示，本文方法的分类效果优于其他现有方法，同时还展现出出色的泛化能力和鲁棒性。
NO.2 主要贡献
图1为本文方法SMB-CFSL的流程图，主要分为特征提取，对比学习，自适应子空间，存储体四个部分。首先构建自适应映射层和特征提取器以提取高光谱图像的嵌入特征，获取小样本图像中有用的特征信息。为了增加模型的分类和识别性能，使用对比学习来分析输入样本间的相似性与差异性。之后，为了提高模型的准确率与效率，引入自适应子空间对原型网络进行改进。构建存储体模块实现跨域对齐，节省计算资源的同时保证了模型的灵活性与鲁棒性。最后，通过迭代和不断优化，在元测试阶段使用优化后的特征提取器对测试数据进行自适应子空间分类。
（2）使用了对比学习方法，在没有标签的情况下，通过让模型根据数据间的相似性与差异性学习高阶特征，提高分类精度。本文在源域支持集与目标域支持集中分别进行对比学习，以保证源域与目标域的一致性。
（3）改进了子空间方法以代替原型网络的均值来进行小样本分类，提高了嵌入特征的利用率，取得了更好的分类效果。此外，改进后的自适应子空间模块可以根据不同数据集的特征和变化，自适应地完成子空间的构建和分类。
NO.3 研究结论
笔者提出了一种利用子空间和存储体进行跨域小样本高光谱图像分类的方法。在元训练阶段，首先设计了一种特征提取器以提取小样本图像的通道特征与光谱空间特征，随后采用对比学习分析小样本间的相似性与差异性，通过自适应子空间提高对嵌入特征信息的利用率，最后使用存储体实现跨域分布对齐。在元测试阶段，使用训练好的模型对测试数据进行分类。在三个数据集上的实验表明，与当前主流的跨域小样本方法相比，本文方法在精度上有明显提高，并且在较难分类的数据集上也取得了较好的结果，证明了其良好的泛化性与鲁棒性。在未来的工作中，笔者将进一步探索更高效的域适应方法，并对模型的结构进行优化，以进一步提高模型的分类效果。
NO.4 论文资助
国家自然科学基金（62077038，61672405，62176196，62271374）
NO.5 作者介绍
慕彩红，（1978—），女，教授，
E-mail：caihongm@mail.xidian.edu.cn。
张富贵，（1997—），男，西安电子科技大学硕士研究生，
E-mail：xryan@stu.xidian.edu.cn。
E-mail：yiliu@xidian.edu.cn。
·引用格式·
慕彩红, 张富贵, 闫香蓉, 刘逸. 子空间与存储体的高光谱图像跨域小样本分类(2024) [J/OL]. 西安电子科技大学学报, [2024-04-19]. https://doi.org/10.19665/j.issn1001-2400.20240310
“扫描二维码查看原文”
https://link.cnki.net/doi/10.19665/j.issn1001-2400.20240310
编辑：许瀚樱
校对：杨 薇
审核：牛姗姗
· 推荐阅读 ·
- 联系我们 -
xuebao@mail.xidian.edu.cn
