渐进式开放集识别网络

未知类主动合成

通过分阶段渐进学习策略和高斯原型建模，在潜在空间中明确区分已知与未知类别，从而在联合高光谱与LiDAR数据上实现可靠的开放集识别。

席博博 · Mingshuo, Cai · 李娇娇 · Wang, Zhengjue · Feng, Shou · 李云松 · Chanussot, Jocelyn

IEEE Transactions on Geoscience and Remote Sensing 2025

技术优势

直接识别未知类

通过合成未知类样本并创建虚拟未知分类器，网络能够将已知类与未知类样本有效区分，无需额外后处理步骤。

闭集性能不降

第一阶段的多个高斯原型精确建模已知类分布，使开放集学习不会牺牲闭集分类精度。

无需额外数据

未知类样本在特征提取阶段主动合成，不依赖真实未知类数据，适用于数据稀缺场景。

应用场景

• 多源遥感分类：联合高光谱与LiDAR数据，分类时能标记出未知地物类别。
• 地物识别：对已知地物类别建模，并检测出未被标注的新地物类型。
• 自主感知：在开放环境中识别已知物体的同时，明确标记出未见过的物体。
• 多模态融合：融合高光谱与LiDAR特征，在联合特征空间中实现开放集识别。