跨数据集评估的高光谱图像分类

目的 随着高光谱成像技术的飞速发展，高光谱数据的应用越来越广泛，各场景高光谱图像的应用对高精度详细标注的需求也越来越旺盛。现有高光谱分类模型的发展大多集中于有监督学习，大多数方法都在单个高光谱数据立方中进行训练和评估。由于不同高光谱数据采集场景不同且地物类别不一致，已训练好的模型并不能直接迁移至新的数据集得到可靠标注，这也限制了高光谱图像分类模型的进一步发展。本文提出跨数据集对高光谱分类模型进行训练和评估的模式。方法 受零样本学习的启发，本文引入高光谱类别标签的语义信息，拟通过将不同数据集的原始数据及标签信息分别映射至同一特征空间以建立已知类别和未知类别的关联，再通过将训练数据集的两部分特征映射至统一的嵌入空间学习高光谱图像视觉特征和类别标签语义特征的对应关系，即可将该对应关系应用于测试数据集进行标签推理。结果 实验在一对同传感器采集的数据集上完成，比较分析了语义—视觉特征映射和视觉—语义特征映射方向，对比了5种基于零样本学习的特征映射方法，在高光谱图像分类任务中实现了对分类模型在不同数据集上的训练和评估。结论 实验结果表明，本文提出的基于零样本学习的高光谱分类模型可以实现跨数据集对分类模型进行训练和评估，在高光谱图像分类任务中具有一定的发展潜力。

Hyperspectral image classification evaluated across different datasets