Robust hyperspectral image classification with rejection fields
Carnegie Mellon University(卡内基梅隆大学)
在本文中,我们提出了一种新的方法,强大的高光谱图像分类使用上下文和拒绝。高光谱图像分类通常是一个不适定的图像问题,其中像素可能属于未知类别,并且获得代表性和完整的训练集是昂贵的。此外,对高分类精度的需求通常大于对整个图像进行分类的需求。我们接近这个问题,一个强大的分类方法,结合分类与拒绝的背景。一个拒绝字段,将指导拒绝来自分类与上下文信息通过使用SegSALSA算法获得。我们验证了我们的方法在真实的高光谱数据,并表明,从拒绝领域获得的性能增益相当于增加的训练集的维数。
2015-04-29 cs.CV
TPPI-Net: Towards Efficient and Practical Hyperspectral Image Classification
College of Computer Science, Sichuan University(四川大学计算机学院)
高光谱图像分类是高光谱领域最具活力的研究领域,其目标是根据图像的光谱-空间特征将图像中的每个像素归为一类。最近,一些基于谱空间特征的DCNN已经被提出,并表现出显着的分类性能。然而,当面对真实的HSI时,这些网络必须逐个处理图像中的像素。逐像素处理策略是低效的,因为在相邻像素之间存在大量重复计算。本文首先提出了一种新的HSI分类网络设计机制TPPI(training based on pixel and prediction based on image),该机制使得在高光谱数据集上附加约束条件的情况下,提供高效实用的HSI分类成为可能。然后,根据TPPI机制,TPPI-Net的基础上,最新的HSI分类网络的发展。实验结果表明,TPPI-Net不仅可以获得与现有HSI分类网络相当的高分类精度,而且大大降低了高光谱图像预测的计算复杂性。
2021-03-18 cs.CV
Spatial Context based Angular Information Preserving Projection for Hyperspectral Image Classification
University of Houston(休斯顿大学)
降维是高光谱数据分析的一个重要预处理过程,寻找合适的子空间是后续图像分类的基础。在最近的工作中,我们提出了监督角度信息的降维方法,以找到有效的子空间。由于未标记的数据往往比标记的数据更容易获得,我们提出了一种无监督投影,找到一个低维的子空间,其中局部角度信息被保留。为了利用高光谱图像的空间信息,我们进一步扩展了我们的无监督投影,将图像中每个像素周围的空间上下文信息。此外,我们还提出了一个基于稀疏表示的分类器,它被优化为利用空间信息在分类过程中-因此,我们断言,我们提出的投影是特别适合分类器的地方相似性和空间上下文都很重要。两个真实世界的高光谱数据集的实验结果表明,我们提出的方法提供了一个强大的分类性能。
2016-07-15 cs.CV
Cross-domain CNN for Hyperspectral Image Classification
Booz Allen Hamilton Inc.(博思艾伦汉密尔顿公司);U.S. Army Research Laboratory(美国陆军研究实验室)
本文针对高光谱图像分类中数据集稀缺的问题。由于只有几千个像素可用于训练,因此很难有效地学习高容量的卷积神经网络(CNN)。为了解决这个问题,我们提出了一种新的跨域CNN包含共享参数,可以在多个高光谱数据集之间进行共同学习。该网络还包含非共享部分,旨在处理数据集特定的光谱特征和相关的分类任务。我们的方法是第一次尝试以端到端的方式学习多个高光谱数据集的CNN。此外,我们已经通过实验证明,在三个广泛使用的数据集上训练的网络优于在单个数据集上训练的所有基线网络。
2018-05-02 cs.CV
Kernel Task-Driven Dictionary Learning for Hyperspectral Image Classification
Pennsylvania State University(宾夕法尼亚州立大学);Army Research Laboratory(陆军研究实验室)
字典学习算法已经成功地用于重建和判别任务,其中输入信号由几个字典原子的线性组合表示。虽然这些方法通常是在输入域中的$\ell_1$稀疏约束(先验)下开发的,但最近的研究已经证明了在核域中使用结构化稀疏先验的稀疏表示的优点。提出了一种核域有监督字典学习算法用于高光谱图像分类。在所提出的配方中,字典和分类器联合获得最佳的分类性能。监督配方是任务驱动的,并提供了学习功能的高光谱数据,非常适合分类任务。此外,该算法使用联合($\ell_{12}$)稀疏性之前,强制相邻像素之间的合作。仿真结果表明了所提出的字典学习算法的有效性。
2015-02-10 cs.CV cs.LG stat.ML
Advances in Hyperspectral Image Classification: Earth monitoring with statistical learning methods
高光谱图像显示出与自然灰度或彩色摄影图像相似的统计特性。然而,高光谱图像的分类是更具挑战性的,因为非常高的像素维数和少量的标记的例子通常可用于学习。这些特点导致了特殊的信号处理问题,主要特点是不确定性和复杂的流形。统计学习的框架在过去的十年中越来越受欢迎。已经提出了新的方法来考虑图像的空间均匀性,通过主动学习包括用户的交互,利用半监督学习的流形结构,提取和编码不变性,或者使分类器和图像表示适应于看不见的但相似的场景。本文通过实例回顾了高光谱遥感图像分类的主要进展。
2013-10-18 cs.CV
Hyperspectral Image Classification with Support Vector Machines on Kernel Distribution Embeddings
MINES ParisTech, PSL-Research University(巴黎矿业学院,PSL研究大学);University of Oxford(牛津大学)
我们提出了一种新的方法在高光谱图像中的像素分类,利用在数据中的空间和光谱信息。所介绍的方法依赖于最近提出的框架,用于学习分布-通过在再生核希尔伯特空间(RKHS)中用平均元素表示它们并在其中制定分类算法。特别是,我们将每个像素与其相邻像素的经验分布相关联,在RKHS中,结合像素本身所包含的光谱信息,给出了一组新的明确的特征,这些特征可以被馈送到一套标准分类技术中-我们选择了一个完善的支持向量机(SVM)框架。此外,通过随机傅立叶特征形式化降低了计算复杂性。我们研究了所提出的方法的一致性和收敛速度,实验表明,与最先进的结果相比,高光谱数据的增益具有很强的性能。
2016-05-30 cs.CV cs.LG stat.ML
Cross-View-Prediction: Exploring Contrastive Feature for Hyperspectral Image Classification
Soochow University(苏州大学);Imperial College London(帝国理工学院);Zhejiang University(浙江大学)
针对高光谱图像分类,本文提出Cross-View-Prediction自监督方法,通过跨通道预测构建双视图并以对比学习优化互信息与条件熵,结合SVM达到无监督分类最先进性能。
2024-12-04 cs.CV
BASS Net: Band-Adaptive Spectral-Spatial Feature Learning Neural Network for Hyperspectral Image Classification
Indian Institute of Technology, Kharagpur(印度理工学院克勒格布尔分校);Space Applications Centre, Indian Space Research Organization (ISRO)(印度空间研究组织空间应用中心)
最近在文献中提出了基于深度学习的土地覆盖分类算法。在高光谱图像(HSI),他们面临的挑战,大的维度,空间变化的光谱特征和稀缺的标记数据。在这篇文章中,我们提出了一个端到端的深度学习架构,提取特定波段的光谱空间特征,并执行土地覆盖分类。该架构具有较少的独立连接权重,因此需要较少数量的训练数据。该方法被发现优于流行的高光谱图像数据集的最高精度。
2016-12-02 cs.CV
Kernel Extreme Learning Machine Optimized by the Sparrow Search Algorithm for Hyperspectral Image Classification
China West Normal University(西华师范大学)
为提高高光谱图像分类算法的分类性能和泛化能力,采用多尺度全变分(MSTV)提取光谱特征,局部二值模式(LBP)提取空间特征,特征叠加得到高光谱图像融合特征。采用一种新的具有高收敛性和强全局搜索能力的群体智能优化方法--麻雀搜索算法(SSA)对核极限学习机(KELM)的核参数和正则化系数进行优化。综上所述,本文提出了一种多尺度融合特征的高光谱图像分类方法(MLS-KELM)。选取印第安松、帕维亚大学和休斯顿2013年数据集对MLS-KELM的分类性能进行了验证,并将该方法应用于ZY 1 - 02 D高光谱数据。实验结果表明,MLS-KELM具有较好的分类性能和泛化能力,在小样本情况下具有较强的鲁棒性。
2022-04-03 cs.CV cs.LG
Multitask Deep Learning with Spectral Knowledge for Hyperspectral Image Classification
University of Hong Kong(香港大学);OneSpace Technology Co., Ltd.(零壹空间科技有限公司);Sun Yat-sen University(中山大学)
在这封信中,我们提出了一种多任务深度学习方法,用于在单次训练中对多个高光谱数据进行分类。深度学习模型在高光谱图像分类方面取得了很好的效果,但其性能高度依赖于足够的标记样本,而这些样本在高光谱图像上是稀缺的。然而,来自多个数据集的样本可能足以训练一个深度学习模型,从而提高其性能。为此,我们为所有数据训练了一个相同的特征提取器,并将提取的特征输入相应的Softmax分类器。光谱知识的引入,以确保共享的功能是相似的跨域。实验中使用了四个高光谱数据集。与基线相比,我们在三个数据集(帕维亚大学,帕维亚中心和印第安松)上取得了更高的分类精度,并在萨利纳斯山谷数据上取得了有竞争力的结果。当数据共享相似的光谱响应时,光谱知识有助于防止深度网络过拟合。该方法在两个深度CNN上进行了测试,成功地证明了它能够利用来自多个数据集的样本并提高网络的性能。
2019-12-26 cs.CV
Hyperspectral Image Classification with Deep Metric Learning and Conditional Random Field
Tianjin University(天津大学)
为了提高高光谱图像处理中的分类性能,基于空间-光谱信息融合和神经网络的利用这两种常用策略,已经开展了许多工作。然而,这两种策略通常需要比经典算法更多的训练数据,从而聚集了标记样本的短缺。在这封信中,我们提出了一种新的框架,将基于频谱的深度度量学习模型和条件随机场算法有机结合起来。深度度量学习模型由中心损失监督,以产生基于频谱的特征,这些特征在类内的欧几里得空间中聚集得更紧密。首先提出了用于图像分割任务的具有高斯边缘势的条件随机场,通过利用深度度量学习模型产生的像素之间的地理距离和特征之间的欧氏距离,对高光谱图像进行逐像素分类。所提出的框架在深度度量学习阶段由光谱像素训练,并在条件随机场阶段利用半手工空间特征。这在一定程度上解决了训练数据不足的问题。两个真实的高光谱图像的实验表明,该方法的分类精度和计算成本方面的优势。
2019-07-16 cs.CV cs.LG stat.ML
A novel statistical metric learning for hyperspectral image classification
National University of Defense Technology(国防科技大学)
本文提出了一种新的统计度量学习方法,用于高光谱图像的光谱-空间分类。首先,利用每批样本中每类样本的标准方差来减小每类样本的类内方差。然后,不同类别的平均值之间的距离被用来惩罚训练样本的类间方差。最后,添加不同类别的均值之间的标准方差作为额外的多样性项,以排斥不同类别。在两个真实的高光谱图像数据集上进行了实验,实验结果表明了所提出的统计度量学习的有效性。
2019-05-13 cs.CV
Shorten Spatial-spectral RNN with Parallel-GRU for Hyperspectral Image Classification
Sun Yat-sen University(中山大学)
卷积神经网络(CNN)在高光谱遥感图像(HSI)分类中取得了很好的性能,但CNN将光谱视为无序向量。因此,将光谱看作序列,利用递归神经网络(RNN)处理序列数据的优势,将其应用于HSI分类。然而,对于长序列任务,RNN很难训练,也没有我们预期的那么有效。此外,在RNN中不考虑空间上下文特征。在本研究中,我们提出了一种具有并行GRU的缩短空间谱RNN(St-SS-pGRU)用于HSI分类。缩短的RNN比逐带RNN更有效,更容易训练。St-SSpGRU模型通过结合融合层,不仅考虑了光谱特征,还考虑了空间特征,从而提高了模型的性能。提出了一种并行GRU结构,并将其应用于St-SS-pGRU。在此架构下,模型得到了更好的性能和更强的鲁棒性。
2018-10-30 cs.CV cs.LG stat.ML
Spatial-Aware Dictionary Learning for Hyperspectral Image Classification
Sharif University of Technology(谢里夫理工大学)
本文提出了一种结构化的字典为基础的高光谱数据模型,结合了光谱样本的光谱和上下文特征,高光谱图像分类的目标。其思想是将高光谱图像的像素划分为多个称为上下文组的空间邻域,并使用从数据中学习的几个字典元素的线性组合来对每个像素进行建模。由于上下文组中的像素通常由相同的材料组成,因此它们的线性组合被限制为使用字典中的公共元素。为此,字典学习进行联合稀疏正则化,以诱导一个共同的稀疏模式中的稀疏系数的每个上下文组。然后,稀疏系数用于使用线性SVM的分类。对多幅真实高光谱图像的实验结果证实了该方法在高光谱图像分类中的有效性。此外,模拟多光谱数据的实验表明,该模型能够找到表示,可有效地用于多光谱分辨率样本的分类。
2013-08-06 cs.CV cs.LG
Pixel DAG-Recurrent Neural Network for Spectral-Spatial Hyperspectral Image Classification
Xidian University(西安电子科技大学)
利用丰富的空间和光谱特征有助于提高高光谱图像的分类精度。本文基于人类视皮层群体感受野机制,进一步利用图像中像素的空间相关性,提出像素有向无环图循环神经网络(Pixel DAG-RNN)来提取和应用光谱-空间特征进行HSI分类。在我们的模型中,一个无向循环图(UCG)被用来表示在一个图像块中的像素的相关连接,和四个DAG被用来近似的UCG的空间关系。为了避免过拟合,采用了权值分担和丢弃的方法。通过在三个基准数据集上的实验,我们的模型在HSI分类上的更高的分类性能得到了验证。
2019-06-09 cs.CV
Hyperspectral Image Classification Based on Sparse Modeling of Spectral Blocks
University of Tabriz(大不里士大学);Ryerson University(瑞尔森大学)
高光谱图像提供了丰富的空间和光谱信息,这是非常有价值的材料检测在不同领域的实际科学。数据的高维导致了许多处理挑战,这些挑战可以通过现有的空间和光谱冗余来解决。本文提出了一种用于高光谱图像分类的稀疏建模框架。频谱块被引入与空间组一起使用,以联合利用频谱和空间冗余。为了降低稀疏建模的计算复杂性,使用谱块将高维优化问题分解为更快求解的小尺寸子问题。此外,所提出的稀疏结构使得能够提取最具鉴别力的频谱块,并进一步减少计算负担。在三个基准数据集上的实验,即,帕维亚大学图像和印度松树图像验证,所提出的方法导致一个强大的稀疏建模的高光谱图像和提高分类精度相比,几个国家的最先进的方法。此外,实验表明,所提出的方法需要更少的处理时间。
2020-05-17 cs.CV
MultiScale Spectral-Spatial Convolutional Transformer for Hyperspectral Image Classification
Defense Innovation Institute, Chinese Academy of Military Sciences(军事科学院国防科技创新研究院);National University of Defense Technology(国防科技大学)
本文提出MultiscaleFormer,通过多尺度空间块token构建空间Transformer、利用波段空间表示构建光谱Transformer,并引入改进的光谱-空间CAF模块融合跨层信息,从而有效捕获多尺度光谱-空间特征,在高光谱图像分类中优于大多数现有架构。
2023-10-28 cs.CV
Efficient Dynamic Attention 3D Convolution for Hyperspectral Image Classification
iFLYTEK(讯飞科技);Aegon THTF(东方明珠新媒体)
针对高光谱图像分类中信息利用不足与过拟合等问题,本文基于改进的3D-DenseNet提出动态注意力3D卷积(DAC)模块,通过多并行卷积核与动态权重实现自适应特征提取,在不增加网络深度下显著提升了分类精度与推理速度。
2025-03-30 cs.CV
A CNN With Multi-scale Convolution for Hyperspectral Image Classification using Target-Pixel-Orientation scheme
Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校)
最近,CNN是处理高光谱图像分类挑战的流行选择。尽管高光谱图像(HSI)具有如此大的光谱信息,但它产生了维数灾难。此外,光谱特征的大的空间变异性增加了分类问题的难度。此外,用稀缺的训练样本以端到端的方式训练CNN是另一个具有挑战性和有趣的问题。本文提出了一种新的目标块定位方法,用于训练基于CNN的神经网络。此外,我们还引入了一种基于3D-CNN和2D-CNN的混合网络架构,分别实现了频带缩减和特征提取方法。实验结果表明,我们的方法优于现有的最先进的方法中报告的准确性。
2021-05-05 cs.CV
Is Pretraining Necessary for Hyperspectral Image Classification?
Booz Allen Hamilton Inc.(博思艾伦汉密尔顿公司);US Army Research Laboratory(美国陆军研究实验室)
我们解决了两个问题,训练卷积神经网络(CNN)的高光谱图像分类:i)是否有可能建立一个预先训练的网络?以及ii)预先培训是否有效地促进了绩效?为了回答第一个问题,我们设计了一种方法,该方法在多个源数据集上预训练网络,这些数据集的高光谱特征不同,并在目标数据集上进行微调。这种方法有效地解决了在源网络和目标网络之间传输有意义的信息时出现的架构问题。为了回答第二个问题,我们进行了几次烧蚀实验。根据实验结果,从头开始训练的网络与从预先训练的网络微调的网络一样好。然而,我们观察到,当需要更深的网络时,预训练网络在实现更好的性能方面有其自身的优势。
2019-01-24 cs.CV
Structured Priors for Sparse-Representation-Based Hyperspectral Image Classification
The Johns Hopkins University(约翰斯·霍普金斯大学);U.S. Army Research Laboratory(美国陆军研究实验室)
逐像素分类是高光谱图像分析中最重要的步骤之一,其中每个像素被分配到一个预定义的类。稀疏表示分类器(SRC)通过将测试像素表示为标记像素的一个小子集的线性组合,与传统的分类器如支持向量机(SVM)相比,给出了更合理的结果。最近,通过加入额外的结构稀疏先验,第二代SRC出现在文献中,并报告进一步提高HSI的性能。这些先验是基于利用相邻像素之间的空间依赖性,字典的固有结构,或两者兼而有之。在本文中,我们回顾和比较几个结构化的先验稀疏表示为基础的HSI分类。我们还提出了一个新的结构先验称为低秩组先验,它可以被认为是低秩先验的修改。此外,我们将研究不同的结构先验如何改善HSI分类的结果。
2014-01-16 cs.CV cs.LG stat.ML
3D CNN with Localized Residual Connections for Hyperspectral Image Classification
Madan Mohan Malaviya University of Technology(马丹·莫汉·马拉维亚技术大学);Malaviya National Institute of Technology Jaipur(斋浦尔马拉维亚国家理工学院)
在本文中,我们提出了一种新的三维CNN网络与局部残差连接的高光谱图像分类。我们的工作与现有的方法进行了比较研究,用于提取更深层次的功能,并提出了一个模型,该模型结合了网络中的多个阶段的剩余功能。该架构通过3D卷积层处理来自高光谱图像的个体空间光谱特征丰富的立方体。由于低级别和高级别特征的同化,剩余连接导致改进的性能。我们在帕维亚大学和帕维亚中心数据集上进行实验,以进行性能分析。我们比较了我们的方法与两个最近的国家的最先进的高光谱图像分类方法的方法。所提出的网络性能优于现有的方法有很好的保证金。
2019-12-06 cs.CV eess.IV
JigsawHSI: a network for Hyperspectral Image classification
Colorado School of Mines(科罗拉多矿业学院)
本文提出基于Inception的JigsawHSI网络,用于高光谱图像的土地利用/土地覆盖分类,在三个数据集上达到或超过HybridSN的性能,并推广了广义Jigsaw架构。
2025-01-18 cs.CV cs.LG stat.ML
Hyperspectral Image Classification with Attention Aided CNNs
Nanjing University of Information Science and Technology(南京信息工程大学);University of Missouri-Kansas City(密苏里大学堪萨斯城分校);Helmholtz-Zentrum Dresden-Rossendorf(亥姆霍兹德累斯顿罗森多夫研究中心);Helmholtz Institute Freiberg for Resource Technology(亥姆霍兹弗赖贝格资源技术研究所);University of Maryland, College Park(马里兰大学帕克分校)
卷积神经网络(CNN)已被广泛用于高光谱图像分类。作为一个常见的过程,首先从高光谱图像中裁剪小立方体,然后将其输入CNN以提取光谱和空间特征。众所周知,不同的光谱波段和立方体中的空间位置具有不同的区分能力。如果充分利用,这些先验信息将有助于提高CNN的学习能力。沿着这个方向,我们提出了一个注意辅助CNN模型的光谱空间分类的高光谱图像。具体地说,光谱注意力子网络和空间注意力子网络提出了光谱和空间分类,分别。它们都是基于传统的CNN模型,并结合注意力模块,以帮助网络专注于更具区分力的通道或位置。在最后的分类阶段,光谱分类结果和空间分类结果通过自适应加权求和方法组合在一起。为了评估所提出的模型的有效性,我们进行了实验上的三个标准的高光谱数据集。实验结果表明,该模型可以实现优越的性能相比,几个国家的最先进的CNN相关的模型。
2020-06-12 cs.CV eess.IV
A CNN with Noise Inclined Module and Denoise Framework for Hyperspectral Image Classification
National Innovation Institute of Defense Technology, Chinese Academy of Military Science(中国人民解放军军事科学院国防科技创新研究院);National University of Defense Technology(国防科技大学)
深度神经网络已成功应用于高光谱图像分类。然而,大多数现有的工作采用一般的深度架构,而忽略了高光谱图像的内在结构,如物理噪声的产生。这将使这些深度模型无法生成有区别的特征,并提供令人印象深刻的分类性能。为了利用这些内在信息,这项工作开发了一种新的深度学习框架,具有噪声倾斜模块和去噪框架,用于高光谱图像分类。首先,我们用物理噪声模型对高光谱图像的光谱特征进行建模,以描述图像中每个类的高类内方差和不同类之间的大重叠。然后,噪声倾斜模块被开发用于捕获每个对象内的物理噪声,然后遵循去噪框架来从对象中去除这样的噪声。最后,通过构造具有噪声倾斜模块的CNN和去噪框架,获得了高光谱图像的鉴别特征,并对高光谱图像进行了分类。在两个常用的真实世界数据集上进行了实验,实验结果表明了该方法的有效性。所提出的方法和其他比较方法的实现可以在https://github.com/shendu-sw/noise-physical-framework上访问。
2022-05-25 cs.CV eess.IV
Hyperspectral Image Classification via Transformer-based Spectral-Spatial Attention Decoupling and Adaptive Gating
iFLYTEK;Aegon THTF
针对高光谱图像分类中过拟合、泛化差等问题,提出含空间-光谱注意力解耦与双门控机制的STNet架构,在不增网络规模下提升特征提取融合能力,在三类数据集上优于主流方法。
2025-06-11 cs.CV
Frost filtered scale-invariant feature extraction and multilayer perceptron for hyperspectral image classification
Jai Shriram Engineering College(贾伊·施里拉姆工程学院);Kongu Engineering College(孔古工程学院)
高光谱图像分类因其能够提供空间和光谱信息而在遥感领域具有重要意义。随着高光谱遥感技术的迅速发展和应用的日益广泛,人们已经开发了许多方法来进行高光谱遥感图像的分类,但仍然缺乏性能较好的分类方法。为了提高高光谱图像分类精度和减少分类时间,提出了一种基于Frost滤波尺度不变特征变换的多层感知器分类方法(FFSIFT-MLPC)。FFSIFT-MLPC技术执行三个主要过程,即预处理、特征提取和使用多个层的分类。最初,高光谱图像被划分成多个光谱带。这些波段作为感知器输入层的输入。然后将Frost滤波器应用于FFSIFT-MLPC技术中,对输入波段进行预处理,在第一隐层去除高光谱图像中的噪声。预处理后,在第二隐层利用高斯分布尺度不变特征变换提取高光谱图像的纹理、颜色和目标特征。在第三隐藏层,测量提取的特征和测试特征之间的欧氏距离。最后,在输出层进行特征匹配,用于高光谱图像分类。分类的输出按照谱带(即,不同的颜色)。实验分析了峰值信噪比、分类精度、误检率和分类时间与光谱波段数的关系。实验结果表明,与现有方法相比,FSSIFT-MLPC方法提高了高光谱图像分类的精度和峰值信噪比,降低了误检率,缩短了分类时间。
2020-06-18 cs.CV eess.IV
Does Normalization Methods Play a Role for Hyperspectral Image Classification?
Guangdong University of Technology(广东工业大学);University of Strathclyde(思克莱德大学)
对于高光谱图像数据集,每一类都有其显著特征,分类器根据该类的显著性特征对高光谱图像数据集进行分类,但采用不同的归一化方法会得到不同的显著性特征。在这封信中,我们报告了不同的归一化方法对分类器的影响,并推荐了最好的分类器归一化方法后,分析了不同的归一化方法对分类器的影响。将Pavia大学数据集、Indian Pines数据集和Kennedy航天中心数据集应用于几个典型分类器,以评估和分析不同归一化方法对典型分类器的影响。
2017-10-09 cs.CV
Cosine-Normalized Attention for Hyperspectral Image Classification
SDAIA-KFUPM, Joint Research Center for Artificial Intelligence (JRCAI), King Fahd University of Petroleum and Minerals(SDAIA-KFUPM联合人工智能研究中心(JRCAI),法赫德国王石油矿产大学);Institute of Software Development and Engineering, Innopolis University(软件开发和工程学院,因诺波利斯大学)
本文提出余弦归一化注意力机制,通过几何视角优化超分辨率图像分类中的相似度计算,实验表明其在有限监督下优于多种Transformer和Mamba模型。
2026-04-02 cs.CV
Few-Shot Hyperspectral Image Classification With Unknown Classes Using Multitask Deep Learning
The University of Hong Kong(香港大学);Sun Yat-sen University(中山大学);Wuhan University(武汉大学)
当前的高光谱图像分类假设一个预定义的分类系统是封闭和完整的,并且在看不见的数据中不存在未知的或新的类别。然而,这种假设对于现实世界来说可能过于严格。在构建分类系统时,新的类别往往被忽视。封闭的性质迫使模型在给定新样本的情况下分配标签,并且可能导致对已知土地覆盖的高估(例如,作物区)。为了解决这个问题,我们提出了一种多任务深度学习方法,该方法在可能存在未知类的开放世界(名为MDL 4 OW)中同时进行分类和重建。重建的数据与原始数据进行比较;那些未能重建的数据被认为是未知的,基于这样的假设,即由于缺乏标签,它们在潜在特征中没有很好地表示。需要定义一个阈值来分离未知和已知的类,我们提出了两种策略的基础上的极值理论的Few-Shot和多杆的情况下。所提出的方法在真实世界的高光谱图像上进行了测试;取得了最先进的结果,例如,将萨利纳斯数据的整体准确度提高了4.94%。通过考虑开放世界中未知类的存在,该方法实现了更准确的高光谱图像分类,特别是在Few-Shot背景下。
2020-09-08 cs.CV
A Survey of Graph and Attention Based Hyperspectral Image Classification Methods for Remote Sensing Data
Georgia Institute of Technology(佐治亚理工学院);Indian Institute of Technology Delhi(印度理工学院德里分校)
本文综述了基于图卷积网络和注意力机制的高光谱图像分类方法,涵盖遥感与航空数据,并总结了相关数据集及处理技术的基准测试。
2023-10-16 cs.CV
Hyperspectral Image Classification with Markov Random Fields and a Convolutional Neural Network
Xi’an Jiaotong University(西安交通大学);Xidian University(西安电子科技大学);New York University Abu Dhabi(纽约大学阿布扎比分校);Columbia University(哥伦比亚大学)
提出了一种新的遥感高光谱图像监督分类算法,该算法在统一的贝叶斯框架下集成了光谱和空间信息。首先,我们从贝叶斯的角度制定HSI分类问题。然后,我们采用卷积神经网络(CNN)来学习后验类分布,使用分片训练策略来更好地利用空间信息。接下来,通过在标签上放置空间平滑度来进一步考虑空间信息。最后,我们使用随机梯度下降(SGD)迭代更新CNN参数,并使用基于alpha扩展最小割的算法更新所有像素向量的类标签。与其他国家的最先进的方法相比,所提出的分类方法取得了更好的性能在一个合成数据集和两个基准HSI数据集在一些实验设置。
2017-11-12 cs.CV
Band Attention Convolutional Networks For Hyperspectral Image Classification
Harbin Institute of Technology(哈尔滨工业大学)
高光谱图像的波段中存在着冗余和噪声。因此,能够从数百个输入波段中选择合适的部分用于HSI分类方法是一个很好的特性。在这封信中,波段注意模块(BAM)提出了实现深度学习的HSIs分类与波段选择或加权的能力。提出的BAM可以被看作是现有分类网络的即插即用的补充组件,其充分考虑了当使用卷积神经网络(CNN)进行HSI分类时由频带冗余引起的不利影响。与HSI中使用的大多数深度学习方法不同,根据高光谱图像的特点定制的波段注意模块被嵌入到普通CNN中,以获得更好的性能。同时,与经典的频带选择或加权方法不同,该方法实现了端到端的训练,而不是分离的阶段。在两个HSI基准数据集上进行了实验。与经典和先进的深度学习方法相比,在不同评价标准下的数值仿真结果表明,该方法具有良好的性能。最后但并非最不重要的是,一些先进的CNN与所提出的BAM相结合,以获得更好的性能。
2019-06-11 cs.CV
Dual-stage Hyperspectral Image Classification Model with Spectral Supertoken
Beijing Institute of Technology(北京理工大学)
提出双阶段光谱超标记分类器DSTC,通过光谱导数聚类生成超标记并投影至图像空间以保持分类一致性与精确边界,结合基于类别比例的软标签处理数据不平衡,显著提升了高光谱图像分类性能。
2024-07-13 cs.CV
Hyperspectral Image Classification Based on Adaptive Sparse Deep Network
Shantou University(汕头大学)
稀疏模型广泛应用于高光谱图像分类中,然而稀疏度和正则化参数的不同对分类结果有很大影响,本文提出了一种基于深度结构的自适应稀疏深度网络,通过深度网络构造最优稀疏表示和正则化参数。基于交替方向乘法(ADMM)算法,设计了一个数据流图来表示每次更新迭代,推导了前向网络和反向传播网络,反向传播网络中所有参数采用梯度下降法进行更新。在此基础上,提出了一种自适应稀疏深度网络(Adaptive Sparse Deep Network,ANN),并与传统的分类器或其他稀疏模型算法进行了比较,实验结果表明,该方法在HSI分类中取得了很大的改进。
2019-10-21 cs.CV eess.IV
Active Deep Densely Connected Convolutional Network for Hyperspectral Image Classification
PLA Strategic Support Force Information Engineering University(中国人民解放军战略支援部队信息工程大学);University of Trento(特伦托大学)
在过去的几年里,基于深度学习的方法在高光谱图像分类中的流行度大幅上升。然而,深度学习的成功在很大程度上归功于大量的标记样本。仅使用少量标记样本来训练深度学习模型以达到高分类精度仍然非常具有挑战性。因此,本文提出了一种端到端方式训练的主动深度学习框架,以最小化高光谱图像分类成本。首先,考虑使用深度密集连接的卷积网络进行高光谱图像分类。不同于传统的主动学习方法,在设计的深度密集连接卷积网络中加入了一个额外的网络,用于预测输入样本的丢失。然后,额外的网络可以用于建议未标记的样本,深度密集连接的卷积网络更有可能产生错误的标签。请注意,附加网络使用深度密集连接卷积网络的中间特征作为输入。因此,所提出的方法是端到端框架。随后,一些选定的样本被手动标记并添加到训练样本中。因此,使用新的训练集来训练深度密集连接的卷积网络。最后,重复上述步骤以迭代地训练整个框架。大量的实验表明,该方法可以达到很高的分类精度,只需选择少量的样本。
2020-11-24 cs.CV
Graph-Weighted Contrastive Learning for Semi-Supervised Hyperspectral Image Classification
School of Information Science and Engineering, Lanzhou University(兰州大学信息科学与工程学院);Key Laboratory of AI and Information Processing, Hechi University(河池学院人工智能与信息处理重点实验室);School of Artificial Intelligence and Smart Manufacturing, Hechi University(河池学院人工智能与智能制造学院)
针对基于超像素分割的图半监督高光谱图像分类方法存在边界误差、分类性能受限的问题,提出无需超像素分割的图加权对比学习方法,支持小批量训练,在三个常用数据集上表现优于基线方法。
2025-03-19 cs.CV
Dimensionality Reduction for Hyperspectral Image Classification
Ecole Militaire Polytechnique(军事理工学院);Université Paris-Saclay(巴黎萨克雷大学);Université de Bordj-Bou-Ariridj(布吉布阿雷里吉大学)
本文针对高光谱图像监督分类,研究PCA与LDA降维方法,并比较KNN、SVM和RF分类器,发现PCA与RF组合获得最高精度和Kappa系数。
2026-09-10 cs.CV eess.SP
Discriminative Robust Deep Dictionary Learning for Hyperspectral Image Classification
Indraprastha Institute of Information Technology, Delhi(因德拉普拉斯信息技术学院(德里))
这项工作提出了一个新的深度学习框架,特别适合高光谱图像分类。我们以一种健壮的方式学习多级字典。最后一层是判别式的,它学习线性分类器。训练过程是渐进式的,每次只学习一级字典,而系数用于训练下一级。最后一级的系数用于分类。鲁棒性通过最小化绝对偏差而不是更流行的欧几里德范数来实现。内置的鲁棒性有助于对抗高光谱图像中存在的混合噪声(高斯和稀疏)。结果表明,我们提出的技术优于所有其他深度学习方法深度信念网络(DBN),堆叠自动编码器(SAE)和卷积神经网络(CNN)。在基准高光谱成像数据集上进行了实验。
2019-12-11 cs.CV cs.LG eess.IV
Self Supervised Learning for Few Shot Hyperspectral Image Classification
German Aerospace Center (DLR)(德国航空航天中心);Technical University of Munich (TUM)(慕尼黑工业大学);Inria(法国国家信息与自动化研究所);Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院)
深度学习已被证明是一种非常有效的高光谱图像(HSI)分类方法。然而,深度神经网络需要大的注释数据集才能很好地泛化。这限制了深度学习对HSI分类的适用性,在HSI分类中,手动标记每个场景的数千个像素是不切实际的。在本文中,我们提出利用自监督学习(SSL)的HSI分类。我们表明,通过使用Barlow-Twins(一种最先进的SSL算法)对未标记的像素进行编码器预训练,我们可以获得具有少量标签的准确模型。实验结果表明,该方法的性能明显优于普通监督学习。
2022-06-24 cs.CV cs.LG
Unveiling the Power of Wavelets: A Wavelet-based Kolmogorov-Arnold Network for Hyperspectral Image Classification
University of Tehran(德黑兰大学);Boise State University(博伊西州立大学)
针对高光谱图像分类的高维复杂空谱相关难题,提出基于小波的Wav-KAN架构,以小波为可学习激活捕捉多尺度模式,在基准数据集上性能优于MLP和Spline-KAN,并规划多方向后续研究。
2024-10-08 cs.AI cs.CV
Going Deeper with Contextual CNN for Hyperspectral Image Classification
Booz Allen Hamilton Inc.(博思艾伦咨询公司);Army Research Laboratory(陆军研究实验室)
在本文中,我们描述了一种新的深度卷积神经网络(CNN),它比其他现有的用于高光谱图像分类的深度网络更深、更宽。与当前基于CNN的高光谱图像分类的最先进方法不同,所提出的网络称为上下文深度CNN,可以通过联合利用相邻单个像素向量的局部空间-光谱关系来最佳地探索局部上下文交互。空间-频谱信息的联合利用是通过多尺度卷积滤波器组作为所提出的CNN管道的初始组件来实现的。然后将从多尺度滤波器组获得的初始空间和光谱特征图组合在一起以形成联合空间-光谱特征图。然后,表示高光谱图像的丰富光谱和空间属性的联合特征图通过完全卷积网络馈送,该完全卷积网络最终预测每个像素向量的对应标签。该方法在三个基准数据集上进行了测试:印第安松数据集,萨利纳斯数据集和帕维亚大学数据集。性能比较显示,所提出的方法在三个数据集上的分类性能优于当前最先进的方法。
2017-05-09 cs.CV cs.LG
Statistical Loss and Analysis for Deep Learning in Hyperspectral Image Classification
National University of Defense Technology(国防科技大学);National Innovation Institute of Defense Technology, Chinese Academy of Military Science(军事科学院国防科技创新研究院)
如今,深度学习方法,特别是卷积神经网络(CNN),在从高光谱图像中提取抽象和高级特征方面表现出令人印象深刻的性能。然而,一般的CNN训练过程主要考虑像素级信息或样本的相关性来制定惩罚,而忽略了高光谱图像中每个类别的统计特性,特别是光谱变化。由于训练样本的不平衡和有限数量,这些基于样本的惩罚会导致训练过程的不确定性。为了克服这个问题,这项工作将高光谱图像中的每个类别表征为统计分布,并进一步开发了一种新的统计损失,而不是直接使用样本进行深度学习。基于Fisher判别准则,损失惩罚每类分布的样本方差,以减小训练样本的类内方差。此外,增加了一个额外的多样性促进条件,以扩大不同类别分布之间的类间方差,这可以更好地区分来自不同类别的高光谱图像中的样本。最后,通过多元统计分析,利用训练样本得到统计损失的统计估计形式。在真实世界的高光谱图像上的实验显示了所开发的统计损失用于深度学习的有效性。
2020-03-11 cs.CV
Semi-supervised Hyperspectral Image Classification with Graph Clustering Convolutional Networks
Beihang University(北京航空航天大学);Hangzhou Innovation Institute, Beihang University(北京航空航天大学杭州创新研究院);Beijing Research Institute of Uranium Geology(北京铀矿地质研究所)
高光谱图像分类(HIC)是一项重要而又具有挑战性的任务,而限制该领域算法发展的一个问题是高光谱图像的地面真值(HSI)难以获取。近年来,基于图卷积网络(GCN)的HIC方法得到了发展,有效地缓解了基于深度学习的HIC方法中标记数据的不足。为了进一步提升分类性能,在这项工作中,我们提出了一个基于图卷积网络(GCN)的HSI分类框架,该框架使用两个聚类操作来更好地利用多跳节点的相关性,并有效地减少图的大小。特别地,我们首先将具有相似光谱特征的像素聚类成超像素,并基于输入HSI的超像素构建图。然后,我们不再对这个超像素图进行卷积,而是通过修剪具有弱权重的边将其进一步划分为几个子图,以加强具有高相似性的节点的相关性。第二轮聚类还进一步减小了图的大小,从而减少了图卷积的计算负担。在三个广泛使用的基准数据集上的实验结果很好地证明了我们提出的框架的有效性。
2020-12-20 cs.CV
Deep Manifold Embedding for Hyperspectral Image Classification
National Innovation Institute of Defense Technology, Chinese Academy of Military Science(中国军事科学院国防科技创新研究院);National University of Defense Technology(国防科技大学)
深度学习方法在高光谱图像分类中发挥着越来越重要的作用。然而,一般的深度学习方法主要利用样本本身的信息或样本之间的成对信息,而忽略了整个数据内在的数据结构。为了解决这个问题,这项工作开发了一种新的深流形嵌入方法(DMEM)的高光谱图像分类。首先,图像中的每个类被建模为一个特定的非线性流形,测地线距离被用来衡量样本之间的相关性。然后,基于层次聚类,可以捕获的数据的流形结构,每个非线性数据流形可以分为几个子类。最后,考虑到每个子类的分布和不同子类之间的相关性,构造了DMEM,以保持数据流形上的估计测地线距离之间的学习不同样本的低维特征。在三个真实高光谱图像数据集上的实验证明了该方法的有效性。
2021-03-27 cs.CV eess.IV
MixerCA: An Efficient and Accurate Model for High-Performance Hyperspectral Image Classification
College of Engineering and IT, University of Dubai(迪拜大学工程学院);Department of Geography, Simon Fraser University(西蒙弗雷泽大学地理系)
本文提出MixerCA模型,通过深度卷积和自注意力机制实现高效超分辨率图像分类,实验显示其在多个数据集上优于传统和深度学习方法。
2026-04-28 cs.CV
One-Class Risk Estimation for One-Class Hyperspectral Image Classification
本文提出HOneCls,一种弱监督深度高光谱单类分类器,通过引入单类风险估计器使FCN在分布不平衡下实现单类分类,并通过20个任务实验验证其优越性。
2023-08-25 cs.CV
LiteDenseNet: A Lightweight Network for Hyperspectral Image Classification
基于深度学习的高光谱图像分类是近年来的一个研究热点。然而,作为一种数据驱动的算法,深度学习方法通常需要大量的计算资源和高质量的标注数据集,而高性能计算和数据标注的成本昂贵。在本文中,为了减少对大量计算和标记样本的依赖,我们提出了一个轻量级的网络架构(LiteDenseNet)基于DenseNet的高光谱图像分类。受GoogLeNet和PeleeNet的启发,我们设计了一个3D双向稠密层来捕获输入的局部和全局特征。由于卷积是一个计算密集型操作,我们引入组卷积,以进一步降低计算成本和参数大小。因此,LiteDenseNet的参数数量和计算消耗明显少于反向深度学习方法,这意味着LiteDenseNet具有更简单的架构和更高的效率。在6个广泛使用的高光谱数据集上的一系列定量实验表明,即使在严重缺乏标记样本的情况下,所提出的LiteDenseNet也获得了最先进的性能。
2020-04-26 cs.CV eess.IV
Hyperspectral Image Classification and Clutter Detection via Multiple Structural Embeddings and Dimension Reductions
Duke University(杜克大学)
我们提出了一种新的和有效的方法用于高光谱图像(HSI)分类和杂波检测,克服了一些长期存在的挑战HSI数据特性。HSI数据样本位于高维光谱属性空间中,已知其光谱特征具有强相关性,由于几个物理定律而表现出非线性结构,并且包含来自多个源的不确定性和噪声。在该方法中,我们生成一个自适应的,结构丰富的表示环境,并在其中使用局部线性嵌入(LLE)。一个是特征空间嵌入:HSI数据属性被嵌入到一个歧视性的特征空间,空间-光谱相干性和独特的结构被提取和利用,以减轻在本地高光谱属性空间中遇到的各种困难。另一个结构层包含LLE和特征嵌入的算法参数范围,并支持多路复用和集成方案,以应对多源不确定性。两个常用的HSI数据集与少量的学习样本的实验呈现出显着的高精度分类结果,以及检测到的杂波区域的独特的地图。
2015-06-03 cs.CV
Data Efficient Complex Feature Fusion Network For Hyperspectral Image Classification
Department of Electronics and Telecommunication, Rajiv Gandhi Institute of Technology, University of Mumbai(电子与电信系,拉吉夫甘地技术学院,孟买大学)
提出一种数据高效的注意力双支路复杂特征融合网络(DE-CFFN),通过因子分析降维和3D卷积层滤波器数量减半来减少模型复杂度,同时保持与CFFN相当的分类性能。
2026-06-03 cs.CV
Hyperspectral Remote Sensing Image Classification Based on Multi-scale Cross Graphic Convolution
Chongqing University(重庆大学)
在高光谱遥感图像分类识别中,特征的挖掘和利用直接影响模型的分类性能。传统的模型通常从单一的角度进行特征挖掘,挖掘的特征有限,忽略了它们之间的内在联系。因此,有用的特征丢失,分类结果是不令人满意的。为了充分挖掘和利用图像特征,提出了一种新的多尺度特征挖掘学习算法(MGRNet)。该模型利用主成分分析对原始高光谱图像进行降维处理,使其保留99.99%的语义信息,并提取降维特征。利用多尺度卷积算法对输入的降维特征进行挖掘,得到浅层特征,并将其作为多尺度图卷积算法的输入,构建不同尺度下特征值之间的内在关系。然后对图卷积得到的多尺度信息进行交叉融合,将得到的新信息输入残差网络算法进行深度特征挖掘。最后,使用一个灵活的最大传递函数分类器来预测最终的特征并完成分类。在三种常见高光谱数据集上的实验表明,本文提出的MGRNet算法在识别精度上优于传统方法。
2021-06-28 cs.AI cs.CV
Correlation-Based Band Selection for Hyperspectral Image Classification
Manipal Institute of Technology(马尼帕尔理工学院);Manipal Academy of Higher Education(马尼帕尔高等教育学院)
提出基于相关性的波段选择方法,通过计算平均相关性和阈值筛选低依赖波段,在高光谱图像分类基准数据集上表现与标准方法相当。
2025-01-24 cs.CV eess.IV
Spectral Pyramid Graph Attention Network for Hyperspectral Image Classification
Huawei Helsinki Research Center, Finland(华为赫尔辛基研究中心(芬兰));Huawei Technologies, China(华为技术有限公司(中国))
卷积神经网络(CNN)在高光谱图像分类中取得了显著的进展。然而,标准卷积核忽略了数据点之间的内在联系,导致区域划分不佳和小的虚假预测。此外,HSI具有沿着高维谱域的独特的连续数据分布-考虑到过高的维度,在表征谱上下文方面还有很多问题需要解决,并且鉴于有限数量的标记数据,提高推理能力。本文提出了一种新的架构,明确解决这两个问题。具体地说,我们设计了一种架构,以多个嵌入空间的频谱金字塔的形式编码的多个频谱上下文信息。在每个谱嵌入空间中,我们提出了图注意力机制,根据谱特征空间中的连接,在空间域中显式地执行可解释的推理。在3个HSI数据集上的实验表明,与现有方法相比,该方法能显著提高分类精度。
2020-01-20 cs.CV