高光谱类增量学习模型

零存储抗遗忘

用解析学习替代梯度回传训练，无需存储旧类数据即可增量识别新地物类别，资源开销远低于现有方法。

Zhuang, Huiping · Yue, Yan · Run, He · Zeng, Ziqian

Journal of the Franklin Institute 2024

参数信息

增量阶段训练轮数

1

数据存储需求

0

技术优势

不存数据也抗遗忘

解析学习直接求解线性分类器，无需保留旧类样本即可维持旧类知识，避免灾难性遗忘。

增量只需一个 epoch

增量学习阶段仅训练一个 epoch，模型即可快速适应新类别，大幅缩短更新时间。

资源占用更低

无需存储新旧数据且训练时间短，该方法在资源和训练时间上均低于现有缓解灾难性遗忘的方法。

性能全面超越

在 Indian Pines、Pavia University 和 Salinas 三个公开数据集上，分类性能以一定差距超越现有最优类增量学习方法。

应用场景

• 高光谱影像地物分类：无需旧类数据即可增量识别新地物，适用于动态变化的地表覆盖分类。
• 遥感数据持续学习：以解析学习替代回传训练，为遥感持续学习提供低存储、快更新的方案。
• 农业遥感监测：无需存储历史影像即可增量更新作物类型模型，适应农业种植结构变化。
• 在线遥感模型更新：单 epoch 增量训练支持遥感模型在线快速更新，无需回放旧数据。