Deep Few-Shot Learning for Hyperspectral Image Classification

118 阅读 0 评论 78 点赞

我是靠谱客的博主勤奋日记本，最近开发中收集的这篇文章主要介绍Deep Few-Shot Learning for Hyperspectral Image Classification，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

Deep Few-Shot Learning for Hyperspectral Image Classification
作者：Bing Liu , Xuchu Yu, Anzhu Yu, Pengqiang Zhang, Gang Wan, and Ruirui Wang
出处：IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING
发表时间：2019

1.1摘要与贡献：
目前，深度学习方法已被成功用于高光谱图像（HSI）分类。然而，想要训练一个深度学习的分类器需要成千上百个标记样本。这篇文章提出了一种深度学习方法来解决HSI分类的小样本问题。在所提出的算法中有三个新颖的策略：
通过深度3-D残差卷积神经网络提取光谱空间特征，以降低标签的不确定性。
通过episodes训练网络以学习度量空间，其中来自同一类的样本距离近，来自不同类的样本距离远。
测试样本由学习度量空间中的最近邻居分类器分类
其中最重要的是用训练样本训练deep residual 3-D CNN得到一个metric space。这样的metric space可以泛化到测试集中，对测试集的样本进行分类。模型在训练的时候是不知道测试集是什么样子的，所以这是一个纯半监督学习。
1.2方法：DFSL(Deep Few-shot Learing)
（1）训练过程
在这里插入图片描述

从training data set中随机选择一些类，再在每一类中选择support sample（本文中为1个），剩余的部分就是query sample，每一类的sample合在一起变成set就得到了support set和query set。随后将support set和query set输入网络模型中。这样一个训练更新权重的过程为1个episode。
一次episode过程后，在metric space这个空间里，每一个类别（1 ~ C）都有一个标准的向量，即Vector 1 ~ C，它们都有标签1 ~ C，最小化损失函数做的是使得每一个类别的query samples的在metric space中的Vector与标准的Vector距离最近。
（2）测试过程
在这里插入图片描述

测试数据集的分类主要包括三个步骤：
a.通过预训练的深度残差3-D CNN提取嵌入特征;
b.计算标记样本和待分类样本之间的欧几里德距离;
c.通过NN分类器确定最终标签。

1.3实验结果分析（以PU数据集为例）
在这里插入图片描述

分析这些分类方法的实验结果可以得到：
a.L↑，OA↑
b.OA（semisupervised methods）>OA（standard SVM）
c.SVM+S-CNN在小样本时表现得非常差（23.68%）
d.OA（DFSL+NN、DFSL+SVM）>（other methods），其中DFSL更适合L=5、10这样极少样本的情况。

1.4 结论
论文针对HSI分类样本少的问题，提出了一种DFSL的方法，DFSL主要是训练一个合适的metric space，在这里同类样本距离近，不同类样本距离远，然后用一个简单的分类器就可以完成分类任务。在4个HSI数据集的测试结果表明D-Res-3-D模型能够泛化到测试集，当样本量L很少时，DFSL比传统的半监督分类方法好，当样本量足够时，DFSL跟其他CNN-based分类方法精度相当。