融合特征优化的跨数据集高光谱图像分类
目的 高光谱图像分类可实现对地物目标的逐像素识别,是对地观测中的关键技术.由于采集环境变迁与成像设备差异等因素的影响,不同高光谱图像特征分布偏移,影响现有模型的跨数据集分类精度.针对此,提出了一种融合特征优化的无监督跨数据集高光谱图像分类方法.方法 提出了基于奇异值抑制的特征均衡策略实现数据内独立优化,通过限制奇异值正则项兼顾特征的可迁移性与可鉴别性;提出了基于隐式增广的特征匹配策略实现数据间特征协同优化,引导源域特征逼近目标域提高模型的泛化性;设计了基于隐式鉴别器的对抗学习框架实现数据间特征类别级优化,提高了预测多样性,实现跨数据集分类.结果 实验在Pavia数据集组和HyRANK数据集组上进行,与多种最新的跨数据高光谱图像分类方法进行了对比,在Pavia数据集组中,相比于性能第2的模型,总体精度、平均精度和κ系数分别提高了 1.75％、3.55％和2.17％;在HyRANK数据集组中,相比于性能第2的模型,总体精度、平均精度和κ系数分别提高了6.58％、13.10％和7.96％.同时进行了消融实验,研究了各个模块对高光谱图像分类效果的影响.实验结果表明,每一模块在提高高光谱图像分类效果方面都是有效的.结论 本文提出的融合特征优化的跨数据集高光谱图像分类方法可以在无监督的条件下显著提高跨数据集高光谱图像分类精度,提高分类预测的多样性,得到更好的分类效果.
高光谱图像分类、跨数据集分类、特征优化、领域自适应、无监督分类、域对抗网络
29
TP751(遥感技术)
2024-09-12（万方平台首次上网日期，不代表论文的发表时间）
共13页
2175-2187
