国家自然科学基金项目
面向小样本情形的高光谱遥感图像分类方法研究
基本信息
项目批准号：62101261
申请代码：F0113
项目名称：面向小样本情形的高光谱遥感图像分类方法研究
项目负责人：钟圣唯
依托单位：南京理工大学
研究期限：2022-01-01 至 2024-12-31
资助经费：30.0（万元）
中文摘要：
高光谱图像分类是高光谱图像处理最常见的应用之一。现有的分类方法主要为全监督方法，需要充足的标记样本支持。然而，样本的标记往往耗费高昂的人力和经济成本，因此，如何在样本数量不足条件下提升分类效果是当前研究的热点之一。本项目针对监督信息不足时传统分类方法的效果不佳的问题，深入挖掘除标记样本外的可用信息，拟探索后验信息、未标记样本及跨域样本对于分类器性能的提升能力，建立小样本情形下的高光谱图像分类方法。具体研究内容包括：（1）面向标记样本较少的情形，拟构建反馈网络以充分挖掘图像后验信息；（2）面向标记样本极少的情形，拟提出动态图更新模型以进一步提取无标记样本信息；（3）面向无标记样本，但存在不同成像条件下的同类样本的情形，拟提出域自适应网络以提取跨域样本信息。本研究对于降低分类结果对样本标注的依赖性，推进高光谱图像分类处理的效率和精度，以及提升实际应用中高光谱图像自动分类的可行性有着重要意义。
英文摘要：
Hyperspectral image classification is one of the most common hyperspectral image processing applications. Most of the existing hyperspectral image classification methods are fully supervised methods, requiring sufficient amount of labeled examples. However, the labeling of samples requires high labor and economic costs. Therefore, how to improve the classification accuracy with insufficient supervised information has become a popular topic recently. Considering the problem of bad performance on classical hyperspectral image classification method in the situation of under insufficient labelled examples, this project intends to mine other information besides labeled examples, exploring the ability of improving classification results by posterior information, unlabeled examples and cross-domain examples, establishing weakly supervised hyperspectral image classification methods under the condition of low label rates. Specifically, the research content includes: (1) For the situation with relatively few labeled examples, this project tends to establish a feedback network to mine the posterior information; (2) For the situation with extremely few labeled examples, this project tends to propose a dynamic graph updating model to extract information from unlabeled examples; (3) For the situation that there are no labeled examples in target image, but there exist examples with different imaging situations, this project tends to propose a domain adaptation network to extract cross-domain information. This research is of great significance for reducing the dependence of classification results on the number of labeled examples, promoting the efficiency and accuracy of hyperspectral image classification processing, and improving the real application of hyperspectral image classification.
结题摘要
本研究针对三种情形下的高光谱图像分类问题进行了研究：.（1）针对极少标记样本情形，提出了一种新的 DSSPL 框架来处理 HSI分类中标记数据极其有限的挑战。所提出的 DSSPL 利用 PL 来消除由极其稀缺的样本引起的平均常数输出标签的干扰，从而可以提高标签传播的效率。此外，对光谱图和空间图进行图融合，以全面描述像素的光谱-空间连接关系。此外，可以使用输出标签计算像素的相关性，然后反馈以更新融合图，从而综合利用来自标记和未标记示例的所有监督信息。在三个公共数据集上的实验结果表明，我们提出的 DSSPL 在处理极端稀缺标签（即每个类中只有 3、5 或 10 个像素）的情况下的有效性。.（2）针对半监督域自适应问题，提出了一种结合了双重跨领域对抗学习和交互式从易到难学习课程的领域自适应框架IEH-DA。IEH-DA的关键思想包括使用两种不同的策略分别选择简单样本和困难样本，然后形成一个从易到难的课程序列。因此，IEH-DA首先将聚类中心的样本挑选为简单课程。随着模型对初始简单课程的了解程度提高，然后选择靠近聚类边缘的样本作为训练的困难课程。因此，该模型制定了从简单课程到困难课程的结构化训练过程。模型先处理高置信度的简单课程，再处理信息丰富的困难课程，这种形式有助于提高模型的泛化能力。此外，考虑到困难样本伪标签的高不确定性，框架中加入了与人类专家的交互，这为后续的域适应过程提供了准确的监督信息。.（3）针对无监督域自适应问题，提出了一种域协同对比学习方法。现有的域自适应算法在提升目标域的分类性能方面取得了显著进展。然而，这些方法大多数专注于跨域分布对齐，而忽略了目标域的内在结构和源域标签的进一步利用。本方案基于对比学习，拟提出一种协同利用源域标记样本和目标域类别中心的域自适应算法，通过域内和跨域的对比学习来在提取类判别特征的同时获取域不变的特征表示。在跨域对比学习的基础上再加入域内对比学习能够给分类指标带来一定的提升。.总体来说，本研究提出的高光谱图像自动分类方法降低了分类方法对于样本标记的依赖性，获得了实用性更高，效果更好的分类方法，提升了高光谱图像自动解译的能力。
从官网获取报告原文信息请点击“阅读原文”！
版权声明：本文所有文字来自国家自然科学基金委员会官方网站（https://www.nsfc.gov.cn/），版权归原作者/机构所有。如有侵权，请留言并提交证据，收到核实后删。
！
以科技赋能产业
以创新引领发展
未来，已来！
