空间光谱语义跨域小样本学习

跨域鲁棒高光谱分类

该模型通过特征去噪和语义增强域对齐，在跨域小样本高光谱分类中表现出优于现有方法的分类精度。

Mengxin, Cao · Xu, Zhang · Cheng, Jinyong · Zhao, Guixin · Wei, Li · Dong, Xiangjun

IEEE Transactions on Geoscience and Remote Sensing 2024

技术优势

特征去噪

在特征提取过程中引入去噪操作，从跨域特征中获取可迁移信息，抑制残余噪声对分类的干扰。

语义增强域对齐

引入语义感知策略加强跨域数据与语义信息关联，显著提升跨域任务分布一致性，促进域适应。

领先的分类精度

在三个公开高光谱数据集上与现有最优方法相比，展现出卓越的分类效果。

应用场景

• 高光谱图像分类：在噪声残留和小样本条件下获得可靠的地物分类结果。
• 遥感图像分析：为遥感影像解译提供跨场景鲁棒的特征提取与对齐方法。
• 小样本学习：通过域对齐与去噪增强小样本条件下的模型泛化性能。
• 跨域迁移学习：缓解跨域分布差异和伪相关，提升知识迁移的稳定性。