面向领域自适应的部分最优传输高光谱图像分类

摘要：

针对高光谱遥感图像分类时有标注的源域训练数据与无标注目标域数据分布不一致的问题,提出基于部分最优传输的无监督领域自适应方法,实现对处于不同数据分布的高光谱遥感地物像素级分类.利用深度卷积神经网络将样本映射到潜在高维空间,根据部分最优传输理论建立样本传输方案,最小化域间分布差异,构建适配模型.采用类感知采样技术和质量分数因子自适应调整策略,促进域间类别对齐,建立全局最优传输.在两组公开高光谱遥感图像数据集上进行实验,从总体分类精度OA(％)、类别平均分类精度AA(％)、分类一致性检验Kappa(× 100)等3个评价指标对像素分类结果量化比较.实验结果显示,在两组迁移任务上,相较于仅使用源域数据的基线模型,总体分类准确率分别提升2.21％和2.75％,相较于原始最优传输策略提升1.71％和2.01％,表明模型能够有效提升高光谱遥感影像中像素级地物的分类精度.

关键词：计算机视觉、神经网络、领域自适应、最优传输、高光谱图像

所属期刊栏目：31

分类号：P236(摄影测量学与测绘遥感)

资助基金：国家重点研发计划;吉林省发展;改革委员会创新能力建设项目;改革委员会创新能力建设项目

在线出版日期：2023-11-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2555-2563