阅读原文

이전|다음

고스펙트럼 이미지 도메인 간 소수 샘플 분류를 위한 디커플링 신뢰 프로토타입 네트워크

추상적인

주석이 달린 고스펙트럼 이미지(HSI)를 획득하기 어려워, 소수 샘플 학습 기반 HSI 분류 방법이 많은 관심을 받고 있다. 일반적인 소수 샘플 학습 방법은 훈련 샘플과 테스트 샘플의 분포가 일치한다고 가정하지만, 촬영 조건 등 영향으로 인해 서로 다른 HSI 간에 분포 차이가 존재해, 전통적인 소수 샘플 학습 방법으로 높은 분류 성능을 얻기 어렵다. 이를 위해 본 논문에서는 디커플링 신뢰 프로토타입 네트워크에 기반한 고스펙트럼 이미지 도메인 간 소수 샘플 분류 방법을 제안한다. 먼저 3D 잔차 합성곱 신경망을 사용해 샘플의 심층 특성을 추출하여 HSI의 공간-분광 정보를 충분히 활용한다; 그리고 디커플링 네트워크를 통해 심층 특성을 기능적으로 분리하여 도메인 불변 및 도메인 특이 특성을 더 집중적으로 표현한다; 다음으로 신뢰 프로토타입 네트워크를 통해 신뢰도가 높은 쿼리 집합 샘플을 선별하고 보다 신뢰할 수 있는 클래스 프로토타입을 재계산한다; 마지막으로 높은 신뢰도의 클래스 프로토타입과 원본 클래스 프로토타입을 종합 활용해 보다 정확한 소수 샘플 분류를 실현한다. 제안한 방법의 유효성은 다수의 실제 고스펙트럼 데이터셋에서 기존 연구 방법과 비교 검증한 실험을 통해 입증되었다.

키워드

고스펙트럼 이미지;분류;소수 샘플 학습;디커플링 네트워크;도메인 적응;클래스 프로토타입;합성곱 신경망;전이 학습

1 인용문

하이퍼 스펙트럼 이미지 HSI (Hyperspectral Image) 는 풍부한 스펙트럼 특성과 복잡한 공간 정보를 포함하는 3차원 입방체 형태로 구현되어 도시 발전에 널리 응용되고 있습니다 (Baur等，2018), 환경 모니터링 (Wang等，2016) 및 광산 탐사 (Siebels等，2020) 등 분야.HSI 분류는 HSI의 공간 및 스펙트럼 특성에 따라 각 픽셀에 고유한 범주 레이블을 할당하기 위해 이러한 응용 프로그램을 수행하는 기초적이고 중요한 작업 중 하나입니다.HSI 분류 방법에는 일반적으로 얕은 레이어 모델과 깊이 모델(Kong等，2024）。그 중에서 얕은 방법은 HSI의 복잡한 스펙트럼과 공간 특징을 추출하기 어려운 경우가 많다.이를 위해 딥 러닝 방법은 HSI 분류 작업에 적용됩니다.예:Hang等（2021）주의력 모듈과 권적 신경망인 CNN(Convolutional Neural Network)을 결합해 각각 스펙트럼 주의력 서브넷과 공간 주의력 서브넷을 구축했다.Zhang等（2018）여러 영역의 CNN과 가중치 계수를 사용하여 HSI의 컨텍스트 상호 작용 정보를 학습하여 보다 판별적인 스펙트럼인 공간 특성을 추출합니다.기존 CNN이 얕고 심층적인 상호 보완 정보를 무시하는 문제에 대해Feng等（2019）다중 계층 공간인 스펙트럼 특성을 융합하고 신뢰도가 높은 샘플을 사전 마크업함으로써 훈련 과정에서 CNN의 과합성 문제를 완화합니다.

딥 러닝은 HSI 분류 작업에서 뛰어난 성능을 보여주지만, 이는 종종 많은 마크업 샘플에 의존합니다.그러나 HSI 샘플을 표시하는 데는 많은 시간과 인건비가 소요됩니다.그러므로 어떻게 소량의 표기견본을 리용하여 고정밀도의 HSI분류를 실현할것인가 하는것은 이미 최근 몇년간 원격감지령역의 연구열점의 하나로 되였다.朱传海等（2023）분류 후 검사 확률 공간을 기반으로 한 쌍둥이 네트워크를 제시하여 지표와 결합하여 분류 후 검사 확률 정보를 커버함으로써 샘플에 대한 의존도를 낮춘다.陈杰虎和汪西莉（2022）피쳐 공간에서 도면 모델링 이미지의 유사성을 활용하고 도면 볼륨 연산을 사용하여 같은 범주 이미지의 특성을 매끄럽게 하여 범주 이미지 특성의 구분을 강화합니다.마이그레이션 학습은 치수 샘플이 부족한 문제를 해결하기 위해 새로운 아이디어를 제공하며, 이는 치수 샘플이 충분한 작업 (소스 도메인) 에서 배운 지식을 치수 샘플이 적은 작업 (대상 도메인) 으로 마이그레이션하기 위한 것입니다.그러나 대기 조건, 토양 수분, 센서 매개변수 등의 영향으로 동일한 센서에서 나온 다른 HSI에도 일정한 분포 차이가 존재하여 분류기의 성능에 큰 영향을 미친다.도메인 적응성은 마이그레이션 학습의 고전적인 방법으로서 서로 다르지만 비슷한 두 영역의 데이터를 같은 특징 공간에 매핑하여 두 도메인의 도메인 불변 특징을 추출하고 분류 작업에 사용할 수 있습니다 (Deng等，2019）。와Zhao等（2022）분수계 융합을 이용하여 HSI의 공간 정보를 보존하고 레이저 레이더 데이터를 사용하여 HSI와 스펙트럼 대조를 진행하며, 마지막에는 도메인 적응 네트워크를 통해 스펙트럼-공간 특징의 분포 차이를 줄인다.周莲等（2024）협동 주의력 모듈을 제시하여 네트워크가 목표 정보에 관심을 가지도록 지도하고 훈련 샘플에 대해 데이터 증강을 진행하여 데이터 세트 규모를 확충하며, 마지막으로 설계된 비교 학습 지점을 통해 연합 훈련 전략을 구축하여 분류 정확도를 높인다.Yu等（2021）밀도 기반 네트워크를 제안하고 판별적인 스펙트럼-공간 특성을 추출하며 대항 학습을 통해 다양한 영역 간의 분포 차이를 줄입니다.Zhong等（2020）우선 연합확률분포 적응방법을 통해 부동한 령역의 변두리확률분포와 조건확률분포에 적합한후 원역에서 훈련한 모형매개변수를 목표역으로 이전하고 미세조정한다.Ganin和Lempitsky（2014）대항 학습의 사상을 바탕으로 영역 대항 네트워크 DANN(Domain Adversarial Neural Networks)을 제시하여 영역 판별기와 특징 추출기의 대항을 통해 영역 불변성 특징을 획득한다.그러나 이러한 도메인 접근 방식은 일반적으로 대상 도메인과 소스 도메인이 공통의 레이블 공간을 가지고 있다고 가정하여 보이지 않는 대상 도메인의 새 클래스를 분류할 수 없습니다.

최근 몇 년 동안 샘플 학습 FSL (Few Shot Learning) 이 제안되어 위의 문제를 해결하는 데 사용되었습니다.샘플 학습은 일반적으로 소스 도메인에서 대상 도메인으로의 마이그레이션 문제로 간주됩니다 (Sun等，2019) 그러나 기존 도메인 적응 방법과 달리 소스 도메인과 대상 도메인이 동일한 레이블 공간을 공유할 필요는 없습니다.샘플 학습은 본질적으로 메타 학습 방법입니다 (Wang等，2021), 원본 도메인에서 작업 (메타 작업) 기반 학습 정책을 사용하여 얻은 공통 지식 (메타 지식) 을 통해 샘플이 하나 또는 몇 개만 표시된 대상 도메인을 분류할 수 있습니다.최근에는 고스펙트럼 이미지 분류 작업에도 샘플 학습이 사용되고 있습니다.와Liu等（2019）심층 샘플 방법 DFSL(Deep Few Shot Learning) 제시, 잔차 연결 메커니즘(He等，2016) 3D-CNN을 도입하여 심층 3차원 잔차 볼륨 네트워크를 구성하는 Residual Three Dimensional Convolutional Neural Network(Residual Three Dimensional Neural Network)는 심층 공간인 스펙트럼 특징을 추출하고 프로토타입 네트워크와 결합하여 4개 소스 영역의 높은 스펙트럼 데이터로부터 하나의 메트릭 공간을 집중적으로 학습한다.이 도량공간에서 동류의 견본은 서로 접근하고 부동한 류형의 견본은 서로 멀리 떨어져있다.또한 테스트 시 지원 벡터 SVM(Support Vector Machine)을 사용합니다(Melgani和Bruzzone，2004) 및 최근 이웃 NN(Nearest Neighbor) 분류기는 마크업되지 않은 대상 도메인 데이터를 예측합니다.陈华杰等（2024）소스 샘플 연관성 정렬을 기반으로 하는 도메인 간 마이그레이션 학습 알고리즘을 제시합니다.먼저 대상 도메인 샘플을 소스 도메인 분류 작업에 역방향으로 추가하여 소스 도메인 샘플의 연관성을 정렬한 다음 자체 감독 공동 학습 정책을 이용하여 대상 도메인 분류 네트워크에 자체 감독 각도 예측 보조 분기를 도입합니다.

샘플 학습은 대상 도메인 마크업 샘플이 적은 상황에서 좋은 분류 효과를 거두었지만, 암시적으로 대상 도메인 샘플과 소스 도메인 샘플이 같은 영역에서 왔다고 가정합니다.그러나 소스 도메인 샘플과 대상 도메인 샘플은 범주 공간이 겹치지 않을 정도로 큰 분포 차이가 있는 경우가 많습니다.또한,Guo等（2020）일부 샘플 학습이 도메인 간 샘플 작업을 처리하는 데 덜 효과적임을 나타냅니다.따라서 샘플 학습에서 도메인 분포 차이를 해결하는 방법은 큰 도전이되었습니다.이 문제에 대해Li等（2022）딥 크로스 도메인 샘플 학습 방법인 DCFSL(Deep Cross Domain Few Shot)을 제시하여 메타 지식을 학습하는 동시에 조건을 이용하여 네트워크 CDAN(Conditional Adversarial Domain Adaptation)(Conditional Adversarial Domain Adaptation)에 대항한다(Long等，2018) 두 도메인의 특성 차이를 줄이고 단일 소스 도메인의 높은 스펙트럼 데이터를 사용하여 나머지 4개 대상 도메인 데이터를 예측합니다.그러나 과도한 크로스 도메인 정렬은 작은 샘플 학습 성능을 손상시킬 수 있습니다. 이 문제를 해결하기 위해 디커플링 네트워크를 사용하여 샘플 특징을 도메인 불변과 도메인 특정 특징으로 디커플링합니다.샘플 분류 작업에 도메인 불변 피쳐만 사용하여 도메인 특정 피쳐의 영향을 최소화합니다.

이를 감안하여 도메인 간 HSI 분포 차이로 인한 모델 일반화 성능 저하 문제를 완화하고 샘플 분류 정밀도를 높이기 위해 이 문서는 새로운 HSI 도메인 간 샘플 분류 방법으로 디커플링 신뢰성 기반 프로토타입 네트워크 DCPN (Disentangled Confidence Prototype Network) 을 제안합니다.우선 3D 잔차 CNN을 이용하여 HSI의 심층 스펙트럼인 공간 특징을 획득하고 디커플링 네트워크를 이용하여 심층 특징을 기능 분리한다;그런 다음 신뢰도가 높은 조회 세트 샘플을 필터링하고 더 신뢰할 수있는 범주 프로토타입을 계산합니다.마지막으로 원시류형원형과 고가신뢰도류형원형을 종합적으로 리용하여 공동으로 더욱 정확한 소형견본분류를 실현해야 한다.기존의 작은 샘플 학습 등 방법과 함께 6개의 공개된 HSI 데이터 세트에서 실험 검증을 진행하여 원격 탐지 이미지 스마트 해역에 샘플의 희소 및 도메인 오프셋 등 도전을 표시하기 위해 효과적인 기술 비축을 제공한다.

2 디커플링 신뢰 프로토타입 네트워크

소스 도메인 데이터 세트대상 도메인 데이터 세트각각 포함와개의 범주.샘플에 태그가 있는지 여부에 따라 대상 도메인 데이터 세트를 마크업 샘플 세트로 나눌 수 있습니다.및 치수 지정되지 않은 샘플 세트。메타 트레이닝에 사용되고 모델은의 분류 정밀도는 DCPN의 평가 결과입니다.그러나,대상 도메인의 샘플 작업을 구성하는 지원 및 쿼리 집합이 부족하므로에서 각 클래스에서 5개의 마크업 샘플을 추출하고 데이터 확장을 위해 무작위 고스 노이즈를 추가합니다.。

DCPN은 메타 트레이닝과 메타 테스트 두 부분으로 구성되어 있습니다.그 중, 메타 훈련 흐름은 다음과 같다Fig. 1와 같습니다.주로 소스 도메인 간 샘플 및 대상 도메인 간 샘플 작업으로 구성됩니다.소스 도메인 간 샘플 작업을 예로 들면 다음과 같은 3단계로 나뉩니다.

Fig. 1 Meta-training flowchart for HSI cross-domain few-shot classification based on DCPN

(1) 소스 도메인 샘플을 사용하여 메타 작업을 구성합니다. 여기서 메타 작업은 지원 세트로 구성됩니다.및 질의 세트구성.또한 대상 도메인에서 데이터 세트 마크업에서 무작위로 몇 개의 샘플을 선택하여 목표 필드 샘플 집합을 구성합니다.. 피쳐 추출기를 사용하여 HSI의 내장 피쳐를 개별적으로 추출합니다.、와. 그런 다음 내장 피쳐를 디커플링 네트워크에 입력하여 두 도메인의 도메인 불변 피쳐를 각각 추출합니다.、、및 도메인별 특징、、；

(2) 소스 도메인 지원 세트 및 쿼리 세트의 도메인 불변 특성을 신뢰할 수 있는 프로토타입 네트워크로 보내 샘플 학습 손실 계산, 신뢰도가 높은 조회집 견본을 선택하여 지원집과 결합하여 계산하여 수정원형을 산출한다.이 프로토타입과의 지원 세트 카테고리 센터 유럽식 거리 계산 및 축소；

(3) 소스 및 대상 도메인의 도메인 불변 및 도메인 특정 특성을 도메인 분류기로 전송하여 도메인 혼동 손실 계산도메인 판별 손실; 테스트 단계:Fig. 2먼저 미리 훈련된 피쳐 추출기 및 디커플링 네트워크 추출을 사용합니다.와에 대한 도메인 불변 피쳐、그리고 NN 분류기를 사용하여 나머지 모든 마크업되지 않은 샘플에 대해범주 예측을 수행합니다.

Fig. 2 Meta-testing flowchart for HSI cross-domain few-shot classification based on DCPN

2.1 피쳐 추출

HSI의 영역 근접 블록을 입력 샘플로 추출하고 3D-CNN을 이용하여 공간 축과 스펙트럼 축을 따라 동시에 픽셀을 처리하여 HSI의 더욱 판별적인 공간인 스펙트럼 특징을 추출합니다.소스 도메인 지원 세트

식중,，지원 세트 범주 수를 나타냅니다.각 유형의 치수 견본 개수를 나타냅니다.은 (는) 가로 / 세로소스 도메인 데이터 세트 스펙트럼 차원을 나타냅니다.

소스 도메인 쿼리 세트는

식중,태그 없는 샘플의 수를 나타내며 지원 세트와 조회 세트 샘플이 일치하지 않습니다.

대상 도메인 데이터 세트는

식중,，대상 도메인 데이터 스펙트럼 차원을 나타냅니다.에서에서 무작위로 추출된 대상 도메인 샘플 개수입니다.

소스 및 대상 도메인 데이터의 스펙트럼 차원을 일치시키기 위해 소스 및 대상 도메인 매핑 계층을 사용하여 두 도메인 데이터를 사전 처리합니다.여기서 맵 레이어는 다음과 같이 2D-CNN으로 구현됩니다.

식중,와소스 및 대상 도메인 매핑 계층의 볼륨 코어입니다.볼륨 작업입니다.내보낸 피쳐는, 여기서매핑된 두 도메인의 통합 스펙트럼 차원입니다.그런 다음 깊이 잔차 3D-CNN을 사용하여 맵 레이어의 출력을 피쳐 추출하여 내장 피쳐를 얻습니다.、와. 여기서 맵 레이어와 깊이 잔차 3D-CNN은 피쳐 추출기를 구성합니다.，피쳐의 차원입니다.

2.2 디커플링 네트워크

훈련 데이터와 테스트 데이터의 분포 차이는 샘플 학습 방법의 일반화 능력을 저하시킬 수 있습니다.이 문제를 해결하기 위해 소스 및 대상 도메인의 분포를 정렬하는 것이 일반적인 방법입니다.그러나 이 방법은 도메인 특정 피쳐의 정렬을 피할 수 없습니다.또한 대상 도메인 카테고리가 소스 도메인과 일치하지 않기 때문에 도메인 특정 피쳐의 정렬은 대상 도메인에서 모델의 일반화 기능에 영향을 줍니다.따라서 피쳐의 도메인 특정 피쳐를 분리하고 도메인 불변 피쳐만을 사용하여 샘플 분류를 수행하여 과도한 도메인 분포 정렬로 인한 부정적인 영향을 줄일 수 있습니다.와Liu等（2018）처음으로 역적응방법과 결합사상을 결합하여 원역특징을 역불변특징과 역특정특징으로 결합시켜 역간 지식이동의 목적을 달성한다.Cao 등 (2018) 은 깊은 신경망이 고도로 결합된 특징을 생성할 수 있으며, 특징을 다른 잠재적 특징으로 결합시켜 더 해석적으로 만들어야 한다고 지적했다.Fu等（2021）두 개의 변분 자동 인코더의 인코딩 부분을 사용하여 디커플링의 잠재적 특징을 추출합니다. 이 글은 HSI의 깊이 내장 특징을 도메인 불변 특징과 도메인 특정 특징으로 분해하여예:

첫 번째 인코더변환되지 않는 도메인 피쳐를 추출하는 데 사용되며 계산 공식은 다음과 같습니다.

두 번째 인코더도메인별 피쳐를 추출하는 데 사용되며 계산 공식은 다음과 같습니다.

식중,와각각 두 인코더의 매개변수입니다.이 특징의 결합 네트워크를 통해 최종적으로 원본 도메인 지원 집합, 원본 도메인 조회 집합과 목표 도메인의 도메인 불변 특징을 얻는다、、도메인별 특징、、。와각각 도메인 불변 피쳐와 도메인 특정 피쳐 차원입니다.

2.3 신뢰 프로토타입 네트워크

도메인 불변 피쳐 사용와샘플 분류 손실을 계산합니다. 각 유형의 프로토타입은 각 유형의 샘플 특징의 평균치를 지원하며 계산 공식은 다음과 같습니다.

식중,소스 도메인에 대한 세트 구성 지원클래스 샘플 개수,다음으로 표시클래스 원형.원형 네트워크 계산 조회 세트 샘플각 클래스 프로토타입까지의 거리와 각 조회 세트 샘플의 클래스 분포를 계산합니다.칙속제클래스의 확률 계산 공식은 다음과 같습니다.

식중,유럽식 거리를 위한 공식을 계산하고,지원 세트의 총 범주 수입니다.조회 세트 샘플에 따라실제 레이블의 마이너스 대수 확률, 모든 조회 세트 샘플의 분류 손실은

샘플 분류는 지원 세트의 마크업 샘플에 의존합니다.따라서 치수 샘플이 거의 없을 때 계산된 카테고리 원형에 편차가 있을 수 있습니다.따라서 본고는 신뢰성 원형 네트워크를 이용하여 표시되지 않은 조회 집합 샘플에 가중치를 할당하여 이 유형의 원형을 다시 계산하고자 한다.칙제클래스 수정 프로토타입계산 프로세스는 다음과 같습니다.

식중,지원 세트를 나타내는 샘플 신뢰도는 항상 1입니다.지원 세트 제 표시클래스 샘플 세트.신뢰도가 높은 조회 세트 샘플을 나타내는 선택 기준은 다음과 같습니다.

식중,신뢰도 임계값을 설정하기 위해 이 임계값보다 신뢰도가 큰 조회 세트 샘플만 참여式（8）의 계산은 클래스에 신뢰도가 높은 샘플이 없으면 계속 사용됩니다.式（5）의 원형.모든 클래스의 정렬 프로토타입과 지원 프로토타입 사이의 오씨 거리 합계를 계산합니다.

2.4 도메인 분류

도메인 분류기피쳐를 두 도메인의 분수로 매핑합니다. 도메인 분류 작업 중 하나는 도메인 불변 피쳐를 사용하여 도메인 분류기를 혼동하여 도메인 혼동 손실을 계산하는 것입니다.

식중,은 도메인 분류기 매개 변수입니다.、와소스 도메인 지원 세트, 소스 도메인 쿼리 세트 및 대상 도메인 샘플에 대한 도메인 불변 레이블은 각 행의 값으로 설정됩니다.，Kullback-Leibler 해시 손실에 대한 함수를 계산합니다.도메인 분류기의 또 다른 작업은 도메인 특정 피쳐가 도메인 분류기에 의해 식별될 수 있도록 하기 위한 것입니다. 도메인 판별 손실 계산 공식은 다음과 같습니다.

식중,、와소스 도메인 지원 세트, 소스 도메인 쿼리 세트 및 대상 도메인 샘플의 도메인 판별 레이블입니다.와모든 값을 1로 설정하고,모든 값은 0,교차 엔트로피 함수입니다.

2.5 목표 함수

소스 도메인 샘플 작업의 총 대상 함수는

식중,、、와각 손실의 계수입니다.소스 도메인 간 샘플 작업의 총 손실을 나타냅니다.대상 도메인 샘플 작업이 소스 도메인과 유사하면 DCPN의 총 대상 함수는

총 목표 함수式（13）모델이 수렴될 때까지 및 (14) 를 번갈아 업데이트합니다.

3 실험 설정 및 결과 분석

3.1 데이터 세트 소개

DCPN 접근 방식의 유효성을 확인하기 위해 6개의 공개 HSI 데이터 세트를 선택합니다.UP（University of Pavia）、PC（Pavia Center）、IP（Salinas、Indian Pines）、Chikusei(WHU-Hi-LongKou) LK와 실험합니다.지물 범주가 가장 많은 Chikusei를 소스 도메인 데이터 세트로 선택하고 나머지 5개의 데이터 세트를 대상 도메인 테스트 세트(Li等，2022）。Chikusei 데이터 세트는 2014 년 7 월 29 일 Headwall Hyperspec-VNIR-C 이미징 센서를 사용하여 일본 쓰키시 시를 촬영하여 19 개의 지물 범주와 128 개의 주파수 대역을 포함하는 도시와 농업 지역을 커버합니다.파장 343-1018nm, 합계픽셀 개, 공간 해상도 2.5m, 상세 범주 및 샘플 정보Fig. 3와 같습니다.

Fig. 3 Class and sample information of the Chikusei dataset

UP 데이터 세트는 이탈리아 파비아 대학에 대한 ROSIS 센서에 의해 촬영되었으며,1.3m의 공간 해상도를 가진 픽셀로, 소음, 대기 및 물 흡수 및 중첩 대역을 제거한 후 실험을 위해 남은 103개 대역, 430-860nm의 파장, 9가지 지물 범주, 상세 범주 및 샘플 정보Fig. 4와 같습니다.

Fig. 4 Class and sample information of the UP dataset

PC 데이터 세트는 ROSIS 센서를 통해 이탈리아 북부 도시를 촬영합니다.픽셀 구성, 공간 해상도 1.3m, 102개 대역, 파장 430-806nm, PC 데이터 세트는 9가지 종류의 지물을 포함하며, 실험은 PC 부분을 캡처하여 실험하며, 상세한 범주와 샘플 정보는 다음과 같다.Fig. 5와 같습니다.

Fig. 5 Class and sample information of the PC dataset

IP 데이터 세트는 1992년 AVIRIS 분광기가 미국 인디애나주 북서부를 촬영해 수집했다.소음 대역을 제거한 후 IP 데이터 세트는 40~2500nm의 파장을 포함하여 200개의 대역으로 구성됩니다.픽셀 개와 공간 해상도는 20m입니다. 이 이미지는 농업 관련 연구에 주로 사용되며 총 16 개의 카테고리를 포함하며 자세한 카테고리와 샘플 정보는 다음과 같습니다.Fig. 6와 같습니다.

Fig. 6 Class and sample information of the IP dataset

Salinas 데이터 세트는 AVIRIS 센서를 이용하여 미국 캘리포니아 샐리나스 밸리를 촬영했으며 스펙트럼은 400~2500nm를 커버하고 있습니다.분류를 위한 총 204개 대역의 픽셀, 16가지 지물을 포함하는 데이터 세트, 3.7m의 공간 해상도, 세부 범주 및 샘플 정보Fig. 7와 같습니다.

Fig. 7 Class and sample information of the Salinas dataset

LK 데이터 세트는 후베이성 룽커우진의 농업 지역을 항공기 탑재 하이 스펙트럼 카메라로 촬영했다.이 데이터 세트에는 270개의 스펙트럼 대역이 포함되어 있습니다.픽셀 총 9개 범주, 0.463m 공간 해상도, 상세 범주 및 샘플 정보Fig. 8와 같습니다.

Fig. 8 Class and sample information of the LK dataset

3.2 실험 설정

DCPN 메서드 유효성을 확인하려면 6개의 실제 HSI 데이터 세트를 선택합니다.지물 범주가 가장 많은 Chikusei를 소스 도메인으로 선택하고 나머지 5개의 데이터 세트를 대상 도메인으로 선택합니다.모든 실험은 Python 3.6의 PyTorch 프레임워크와 Matlab 2017a 플랫폼을 사용하여 Intel Core i7-6850K CPU, Nvidia GeForce GTX 1080 Ti 및 32GB 메모리가 하드웨어로 구성된 컴퓨터에서 수행되었습니다.실험에서는 카테고리 분류 정밀도, 전체 분류 정밀도(OA), 카파 계수, 평균 분류 정밀도(AA) 등 4가지 성능 지표를 선택했다.각 실험은 독립적으로 10회 진행되며 평균을 취합니다.

비교할 7가지 분류 방법, SVM(얕은 계층 분류 방법), Res-3D-CNN(Res-3D-CNN), 도메인 적응 방법(DANN 및 CDAN), 샘플 학습 방법(DFSL+SVM 및 DFSL+NN), 도메인 간 샘플 방법(DCFSL)을 선택합니다.SVM 및 Res-3D-CNN의 경우훈련 세트로서 DFSL + SVM 및 DFSL + NN은 DFSL의 설정을 참조하여 Chikusei, Houston, Botswana 및 Kennedy Space Center를 소스 도메인으로 구성하고 200개 미만의 샘플 카테고리를 버리고 100개 대역을 선택하여 입력 데이터 차원의 일관성을 보장합니다.도메인 적응 방법 DANN 및 CDAN의 경우 소스 도메인이 DCPN과 일치하며대상 도메인으로서 마크업 없는 샘플은 두 도메인의 분포 정렬에 사용됩니다.

소스 도메인 간 작은 샘플 작업의 경우 충분한 샘플 수를 보장하기 위해 무시에는 샘플이 200 미만인 클래스가 표시되어 있으며, 메타 학습 패러다임에 따라 매번 훈련할 때마다중 무작위 추출클래스, 각 클래스 무작위 추출샘플을 소스 도메인 지원 세트로및 나머지 샘플에서 무작위로 추출샘플을 소스 도메인 조회 세트로 사용령，，부터에서 128개의 샘플을 무작위로 추출하여 대상 도메인의 태그 없는 데이터 세트를 구성합니다.. HSI의 길이와 너비는 모두 9입니다.대상 도메인 간 샘플 설정은 위와 같습니다.

피쳐 추출 네트워크 구조:Fig. 9예를 들어, 맵 레이어, 두 개의 잔차 블록, 두 개의 최대 풀 레이어 및 하나의 볼륨 레이어로 구성됩니다.Conv2d는 소스 및 대상 도메인의 스펙트럼 차원을 동일한 차원으로 매핑하기 위해 2D-CNN 매핑 레이어입니다.맵 계층 볼륨 코어、매개변수는 입력 데이터에 의해 결정됩니다.Conv 표현 크기는 다음과 같습니다.의 3D 볼륨 레이어, Pooling은 최대 풀 레이어를 나타내며 단계는 다음과 같습니다.. 출력은、와. 디커플링 네트워크는 FC1은 공통 피쳐, FC21a와 FC22a는 도메인 불변 피쳐, FC21b와 FC22b는 도메인 특정 피쳐를 추출하는 레이어 2 인코더로 구성됩니다.도메인 분류기는 전체 연결 계층과 Dropout으로 구성됩니다.최적화기로 Adam을 선택하고 10000의 반복 훈련을 수행합니다.

Fig. 9 Diagram of feature extractor

기타 하이퍼패라메트릭 설정:Table 1와 같습니다.

Table 1 Hyperparameter settings on different datasets

数据集				学习率
UP	100	80	40	0.010	0.3	1.0	1.0	1.0
PC	100	80	40	0.010	0.2	1.0	1.0	1.0
IP	90	80	40	0.003	0.3	1.0	1.0	1.0
Salinas	120	128	32	0.003	0.3	0.8	1.0	0.6
LK	60	100	50	0.010	0.0	0.5	0.1	0.1

3.3 실험 결과 및 분석

Table 2-6 shows the classification performance comparison results of SVM, Res-3D-CNN, DANN, CDAN, DFSL+SVM, DFSL+NN, and DCFSL (our method) classifiers on five datasets. It can be seen that:

(1) 도메인 적응 방법 DANN과 CDAN은 일부 카테고리에 대한 분류 정밀도가 SVM보다 낮습니다. 이는 카테고리가 겹치지 않는 소스 및 대상 도메인에 대한 과도한 정렬 피쳐가 분류 정밀도를 낮출 수 있음을 의미합니다.

(2) 대상 도메인 마크업 샘플이 부족한 경우, 다른 방법에 비해 샘플 학습 방법에 사용되는 임무 학습 전략은 모델이 일반적으로 통용되는 메타 지식을 학습하는 데 도움을 줄 수 있으며, 따라서 더 높은 새로운 클래스 식별 정확도를 얻을 수 있다;

(3) 도메인 간 샘플 학습 방법인 DCFSL은 샘플 학습 방법보다 대상 도메인에서 분류 정밀도를 높였습니다.이는 이 방법이 원본역과 목표역 간의 분포 차이를 고려하여 원본역에서 이동할 수 있는 메타 지식을 학습하는 동시에 원본역과 목표역 분포를 좁혀 더욱 일반화된 모델을 얻었기 때문이다.

(4) DCPN achieved the highest OA on all datasets because it can decouple the deep features extracted by deep networks to obtain domain invariant and domain specific features, and combine domain classifiers to narrow the distribution gap between the source and target domains. At the same time, DCPN calculates the correction prototype by selecting query set samples with high confidence, so that the correction prototype and the support set prototype are continuously brought closer during the training process, thereby avoiding the problem of inaccurate prediction of query set samples due to insufficient annotated samples in the support set to a certain extent;

(5) 모든 데이터 세트에서 DCPN의 소모 시간이 비교적 높은데, 그 이유는 주로 다음과 같다: 한편으로 DCPN은 3D 볼륨을 사용하여 원시 HSI의 비어 있는 스펙트럼 피쳐에 대한 네트워크의 추출 능력을 향상시키는 동시에 더 높은 계산 복잡도를 가져온다;한편, 메타 학습 프레임워크는 임무 간 훈련과 테스트, 그리고 임무 내 훈련과 테스트를 포함한다.훈련 임무에 많은 테스트 샘플이 있어 DCPN에 많은 시간이 소요됩니다.

Table 2 Comparison of classification results by different methods on the UP dataset

类别	SVM	Res-3D-CNN	DANN	CDAN	DFSL+SVM	DFSL+NN	DCFSL	DCPN
柏油路面/%	61.94	99.90	73.12	75.45		80.95	73.18	73.32
草地/%	55.84		69.60	90.36	66.41	82.17	89.19	94.79
碎石路面/%		49.95	40.88	41.45	50.53	50.57	52.20	55.25
树木/%	85.88	84.67	91.83	90.19		91.73	98.20	88.95
金属板屋顶/%	99.10	98.58	86.64	97.76			98.51	100.00
裸地/%	63.08	21.54	56.35	86.00	72.47	63.81		64.51
沥青/%	87.77	81.21	56.45	75.09	78.04		78.94	79.85
砖/%	71.63	46.59	69.92	70.17	66.06	57.98		86.65
阴影/%	100.00	94.37	100.00	97.88		99.79	99.68	99.47
OA/%	64.44	70.15	69.60	73.30	73.98	77.83		84.65
AA/%	75.61	68.66	71.64	71.02	79.54	78.82	82.98
Kappa	0.5600	0.5969	0.6200	0.6400	0.6700	0.7100		0.8000
耗时/s	5.31		939.03	997.31	1976.14	1991.89	1357.80	2118.96

Table 3 Comparison of classification results by different methods on the PC dataset

类别	SVM	Res-3D-CNN	DANN	CDAN	DFSL+SVM	DFSL+NN	DCFSL	DCPN
水体/%	100.00		98.11	100.00	100.00	100.00	100.00	100.00
树木/%	71.93	91.25	89.73	94.23		92.52	90.49	90.49
草地/%	76.43	67.52	42.59	53.09	80.41	81.54		96.93
砖瓦地/%	98.03	96.96	76.25	95.74		99.95	99.25	98.78
裸露土地/%	87.57	83.65	74.22	76.09	86.00	87.05		99.30
草地/%	95.20	97.26	93.08	94.99	95.75	94.26		99.01
沥青路面/%	90.66	95.22	60.27	90.71	97.41	97.97		97.47
砖块/%	88.14	99.28	25.06	52.23	47.48	62.03	98.85
阴影/%		99.70	92.20	99.46	98.98	99.07	99.76	100.00
OA/%	95.23	96.03	86.13	92.05	94.41	95.19		99.13
AA/%	89.77	92.30	72.39	84.06	88.75	90.56		97.88
Kappa	0.9287	0.9401	0.7933	0.8811	0.9161	0.9278		0.9870
耗时/s	4.63		1257.74	1309.38	2262.87	2302.59	1463.87	2379.79

Table 4 Comparison of classification results by different methods on the IP dataset

类别	SVM	Res-3D-CNN	DANN	CDAN	DFSL+SVM	DFSL+NN	DCFSL	DCPN
苜蓿/%	68.29	87.80	39.02	97.56			97.56	97.56
非犁耕玉米地/%		14.97	6.39	27.48	22.56	26.07	22.35	45.82
少犁耕玉米地/%	43.15	25.58	26.18	27.76	35.88	38.42	54.18
玉米地/%	43.53	33.19	42.24	53.45	78.02	87.93		83.19
草地/牧地/%	76.15	51.88	55.65	60.25	74.27	83.26	75.31
草地/树木/%	75.72		50.07	85.93	94.62	88.96		89.52
草地/修剪过的牧地/%		100.00	100.00	100.00	100.00	100.00	100.00	100.00
干草堆/%	73.78	81.40	90.06	97.46	94.29	94.93	92.39
燕麦/%			100.00	100.00	100.00	100.00	100.00	100.00
非犁耕的大豆地/%	44.57	57.70	54.19		56.26	61.63	54.40	65.25
少犁耕的大豆地/%	47.43	58.24	38.65	28.82	65.06	64.53		76.29
清理过的大豆地/%	31.29	38.61	37.59	31.29	34.69	34.52	50.34
小麦/%	92.00	98.00	96.50		97.50	98.50	100.00	95.50
森林/%	42.29	70.56	73.20	67.22	85.95	68.33	85.16
建筑/草地/树木/机器/%	23.62	27.30	57.22	54.86		67.19	79.79	62.47
石钢塔/%	84.09	96.59	94.32	88.64	100.00	96.59
OA/%	50.77	52.56	45.43	49.31	62.47	61.36		69.92
AA/%	61.65	64.07	39.45	67.62	75.53	75.38		78.83
Kappa	0.4473	0.4689	0.6007	0.4383	0.5758	0.5682		0.6574
耗时/s	1.18		706.47	714.87	1898.06	1902.09	2240.70	5465.74

Table 5 Comparison of classification results by different methods on the Salinas dataset

类别	SVM	Res-3D-CNN	DANN	CDAN	DFSL+SVM	DFSL+NN	DCFSL	DCPN
西兰花-幼苗期1/%		87.80	98.35	95.96	94.91	98.25	100.00	100.00
西兰花-幼苗期2/%	98.90	14.97	96.35	90.38	99.62	98.23		99.81
休耕地/%	78.59	25.58	37.85	78.44	88.33	90.92		97.46
休耕地-粗犁/%	98.63	33.19	100.00	99.71	99.42			99.78
休耕地-平整/%	98.02	51.88	88.25		93.04	94.09	94.46	94.20
残茬地/%	97.27	89.93	99.34		99.49	100.00	100.00	100.00
芹菜/%	99.05	100.00	97.82	95.75	99.22	99.55	99.05
葡萄-未整形/%	60.78	81.40	14.26	56.54	52.09	71.97	66.97
葡萄园-裸地/发育土壤/%	98.61	93.33	99.08		91.59	88.74	98.69	99.90
玉米-衰老期伴生杂草/%	82.19	57.70	22.36	65.84	40.02	87.81		83.50
罗马生菜-生长4周/%	91.72	58.24	68.96	83.35	97.65	97.08	99.72
罗马生菜-生长5周/%	100.00	38.61	85.43	91.10		99.12	100.00	99.27
罗马生菜-生长6周/%	98.68	98.00	97.04	97.15	98.68	99.78		98.02
罗马生菜-生长7周/%	88.92	70.56	98.31	94.37	98.03	98.22	99.34
葡萄园-自然生长/%	37.56	27.30		61.79	85.21	74.38	75.35	77.35
葡萄园-垂直架式/%	91.84	96.59	83.96	86.57	89.62	97.23	100.00
OA/%	80.22	82.51	69.90	80.22	81.88	87.62		90.35
AA/%	88.71	91.72	79.38	78.10	80.03	93.45		95.03
Kappa	0.7809	0.8065	0.6709	0.8690		0.8628	0.8702	0.8929
耗时/s	6.47		735.72	757.09	1976.79	2030.75	2338.01	5372.43

Table 6 Comparison of classification results by different methods on the LK dataset

类别	SVM	Res-3D-CNN	DANN	CDAN	DFSL+SVM	DFSL+NN	DCFSL	DCPN
玉米/%	86.39	98.67	94.20		97.42	98.00	99.93	98.81
棉花/%	42.68	93.56	39.46	26.97	92.39	72.17		98.29
芝麻/%	73.40	11.43		84.57	77.36	78.12	93.03	82.85
阔叶大豆/%	64.58	89.37	62.40	55.10	70.15	75.20	81.58
窄叶大豆/%	54.97	89.56	68.55	75.95	77.23		98.46	95.88
大米/%	85.80	83.12	72.37	79.63		92.39	95.66	91.91
水体/%	99.95	99.97			98.34	99.78		99.94
道路和房屋/%	49.28	50.32	35.82	64.02		66.64	94.41	82.68
混合杂草/%	62.88	63.73	63.11	49.75		67.94	90.95	72.32
OA/%	79.55	91.06	79.32	77.54	87.49	87.97		93.85
AA/%	68.88	75.52	69.32	67.26	86.51	82.96	94.66
Kappa	0.7419	0.8829	73.92	0.7180	0.8414	0.8458		0.9199
耗时/s	12.86		2335.09	2411.93	2338.78	2407.39	1677.83	2629.08

각 데이터 세트에서 서로 다른 분류 방법의 분류 효과를 보다 직관적으로 비교하기 위해 그림Fig. 10—Fig. 14서로 다른 데이터 세트의 분류 효과 다이어그램입니다.그림에서 알 수 있듯이 언급된 DCPN은 모든 데이터 세트에서 더욱 매끄럽고 세부적인 분류 효과도를 얻을 수 있다.

Fig. 10 Classification maps on the UP dataset

Fig. 11 Classification maps on the PC dataset

Fig. 12 Classification maps on the IP dataset

Fig. 13 Classification maps on the Salinas dataset

Fig. 14 Classification maps on the LK dataset

Taking the Indian Pines dataset as an example, such asFig. 12와 같습니다.DCPN은 다른 방법에 비해 숲과 같은 소수의 범주에서 오점 현상이 많은데, 이는 DCPN의 비최적 하이퍼파라미터 선택으로 인한 것이다.DL 방법론에 기반한 최적 하이퍼파라미터 검색은 어려운 것으로 알려져 있으며, DCPN은 DCFSL 학습 목표에 도메인 혼합 손실, 도메인 판별 손실 및 정렬 프로토타입과 지원 세트 프로토타입 사이의 거리 손실을 추가하여 모델 판별 능력과 마이그레이션 능력을 향상시키는 동시에 추가 하이퍼파라미터를 도입했다.그럼에도 불구하고 DCPN은 대부분의 범주에서 다른 방법과 비슷하거나 더 나은 분류 효과를 얻을 수 있습니다.례를 들면 기타 방법으로 더욱 많이 정리한 콩밭을 적게 쟁기질하는 콩밭과 비쟁기질하는 콩밭으로 오분할수 있다.더 많은 소쟁기 경작콩밭을 비쟁기 경작옥수수밭으로 오분한다;더 많은 풀밭/나무를 건초더미와 숲으로 잘못 나누기;더 많은 비쟁기밭, 소쟁기밭, 비쟁기밭과 정리된 콩밭을 소쟁기밭으로 잘못 나눈다.또한 DCPN을 이용하면 UP 데이터 세트의 잔디, Salinas 데이터 세트의 포도원 - 벌거벗은 땅/발달 토양, LK 데이터 세트의 활엽 콩 등의 범주에서 다른 대비 방법보다 현저하게 우수한 분류 결과를 얻을 수 있다.

또한 이 문서에서는 DCPN의 다른 성분이 분류 성능에 미치는 영향을 검증하기 위해 융해 실험을 구성했습니다. 예를 들어Table 7와 같습니다.에 의하여Table 7알 수 있는 사항:

Table 7 Comparison of OA on the five datasets in ablation studies of different loss functions

数据集	DCPN（w/ FSL）	DCPN（w/FSL and FC）	DCPN（w/FSL and FS）	DCPN
UP	82.52	80.50	81.03	83.49
PC	97.13	97.71	97.71	98.66
IP	66.57	68.08	68.59	69.08
Salinas	87.96	88.40	89.57	91.46
LK	93.79	92.68	91.78	93.85

DCPN은 다른 몇 가지 방법에 비해 모든 데이터 세트에서 가장 높은 OA를 획득했습니다. 한편, DCPN은 FC 손실과 FS 손실로 구성된 도메인 불변 특징 공간에서의 다양한 영역의 특징 혼합과 도메인 특정 특징 공간에서의 특징 구분을 실현하여 특징의 디커플링 및 도메인 불변 특징만 정렬하는 목표를 달성하여 도메인 특정 특징에 대한 정렬로 인한 마이너스 마이그레이션 문제를 완화했습니다.다른 한편으로는 최소화를 통해원본 범주 프로토타입과 신뢰도가 높은 범주 프로토타입 간의 정렬을 실현하여 범주 프로토타입 오프셋으로 인한 분류 정밀도 감소 문제를 완화합니다.

3.4 하이퍼패라메트릭와분류 정밀도의 영향에 대한 분석

하이퍼매개변수 검증을 위한、DCPN 분류 성능에 미치는 영향은 HSI 데이터 세트 5개에서 매개변수 분석 실험을 수행한 결과 다음과 같습니다.Fig. 15와 같습니다.표시:

Fig. 15 Influence of and over OA on different datasets

(1) 너무 큰 것이는 훈련 과정에서 수정 프로토타입과 지원 세트 카테고리 센터를 지나치게 좁히는 것을 의미합니다.너무 작다즉, 훈련 과정에서 주로 지원 세트 카테고리 센터에 따라 조회 세트를 분류합니다.너무 크거나 너무 작은 수치는 OA의 하락을 초래할 수 있습니다.

(2) 모든 데이터 세트에서의 증대로 OA는 대체로 선상승 후하락 추세를 보이고 있다.너무 작기 때문이죠값을 얻으면 원본 영역의 메타 지식에 대한 학습이 부족하여그러면 모델이 소스 도메인에 오버런됩니다.

요약하면 매개변수 설정 범위는 다음과 같습니다.，。

4 결론

메타 학습 기반 샘플 학습이 훈련 단계에서 영역별 차이로 인한 분류 정밀도 저하 문제에 효과적으로 대응하기 어렵고 프로토타입 네트워크에서 카테고리 프로토타입 예측이 정확하지 않아 분류 성능이 저하되는 문제에 대해 본고는 디커플링 신뢰성 프로토타입 네트워크를 기반으로 한 하이 스펙트럼 이미지 도메인 간 샘플 분류 방법을 제시한다.주요 결론은 다음과 같다. (1) 디커플링 네트워크를 이용하여 도메인 불변 특징과 도메인 특정 특징을 얻어 도메인 불변 특징만 샘플 분류 임무를 수행함으로써 도메인 특정 특징이 가져오는 부정적인 영향을 줄인다.(2) 표시되지 않은 조회 세트 샘플에 적절한 가중치를 할당하여 각 범주의 샘플을 다시 계산하고 원래 지원 세트 샘플 범주 센터와 협력하여 고품질의 샘플 분류 작업을 수행하는 신뢰 프로토타입 네트워크를 제안합니다.실제 HSI 데이터 세트에서 실험한 결과, 이 문서에서 제시한 방법을 이용하여 더 높은 도메인 간 분류 정밀도를 얻을 수 있으며, 더 매끄럽고 세부 사항이 더 풍부한 분류 결과를 얻을 수 있음을 알 수 있다.획득한 높은 스펙트럼 이미지는 흔히 대기 조건, 채집 설비 등 요소의 영향을 받는 것을 감안하여 본고의 방법을 바탕으로 어떻게 더욱 노봉한 도메인 통용, 도메인 특정 특징을 획득할 것인가는 연구할 만한 문제이다.

References

1.
Baur J, Dobler G, Bianco F, Sharma M and Karpf A. 2018. Persistent hyperspectral observations of the urban lightscape//IEEE Global Conference on Signal and Information Processing. Anaheim: IEEE: 983-987
2.
Cao J M, Katzir O, Jiang P, Lischinski D, Cohen-Or D, Tu C H and Li Y Y. 2021. DiDA: iterative boosting of disentangled synthesis and domain adaptation//Proceedings of the 11th International Conference on Information Technology in Medicine and Education
3.
Chen H J, Lyu D N, Zhou X and Liu J. 2024. Cross-domain transfer learning algorithm for few-shot ship recognition in remote-sensing images. National Remote Sensing Bulletin, 28(3): 793-804
4.
Chen J H and Wang X L. 2022. Multi-graph convolutional network for a remote sensing image few shot classification. National Remote Sensing Bulletin, 26(10): 2029-2042
5.
Deng W Y, Lendasse A, Ong Y S, Tsang I W H, Chen L and Zheng Q H. 2019. Domain adaption via feature selection on explicit feature map. IEEE Transactions on Neural Networks and Learning Systems, 30(4): 1180-1190
6.
Feng J, Chen J T, Liu L G, Cao X H, Zhang X R, Jiao L C and Yu T. 2019. CNN-based multilayer spatial-spectral feature fusion and sample augmentation with local and nonlocal constraints for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(4): 1299-1313
7.
Fu Y Q, Fu Y W and Jiang Y G. 2021. Meta-FDMixup: cross-domain few-shot learning guided by labeled target data//Proceedings of the 29th ACM International Conference on Multimedia. [s.l.]: Association for Computing Machinery: 5326-5334
8.
Ganin Y and Lempitsky V. 2014. Unsupervised domain adaptation by backpropagation. //Proceedings of the 32nd International Conference on International Conference on Machine Learning. Lille: JMLR.org: 1180-1189
9.
Guo Y H, Codella N, Karlinsky L, Codella J V, Smith J R, Saenko K, Rosing T and Feris R. 2020. A broader study of cross-domain few-shot learning//16th European Conference on Computer Vision. Glasgow: Springer: 124-141
10.
Hang R L, Li Z, Liu Q S, Ghamisi P and Bhattacharyya S S. 2021. Hyperspectral image classification with attention-aided CNNs. IEEE Transactions on Geoscience and Remote Sensing, 59(3): 2281-2293
11.
He K M, Zhang X Y, Ren S Q and Sun J. 2016. Deep residual learning for image recognition//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE: 770-778
12.
Kong Y, Cheng Y H, Chen Y and Wang X S. 2024. Joint classification of hyperspectral image and LiDAR data based on spectral prompt tuning. IEEE Transactions on Geoscience and Remote Sensing, 62: 5521312
13.
Li Z K, Liu M, Chen Y S, Xu Y M, Li W and Du Q. 2022. Deep cross-domain few-shot learning for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 60: 5501618
14.
Liu B, Yu X C, Yu A Z, Zhang P Q, Wan G and Wang R R. 2019. Deep few-shot learning for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 57(4): 2290-2304
15.
Liu Y C, Yeh Y Y, Fu T C, Wang S D, Chiu W C and Wang Y C F. 2018. Detach and adapt: learning cross-domain disentangled deep representation//IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE: 8867-8876
16.
Long M S, Cao Z J, Wang J M and Jordan M I. 2018. Conditional adversarial domain adaptation//Proceedings of the 32nd International Conference on Neural Information Processing Systems. Montréal: Curran Associates Inc.: 1647-1657
17.
Melgani F and Bruzzone L. 2004. Classification of hyperspectral remote sensing images with support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 42(8): 1778-1790
18.
Siebels K, Goïta K and Germain M. 2020. Estimation of mineral abundance from hyperspectral data using a new supervised neighbor-band ratio unmixing approach. IEEE Transactions on Geoscience and Remote Sensing, 58(10): 6754-6766
19.
Sun Q R, Liu Y Y, Chua T S and Schiele B. 2019. Meta-transfer learning for few-shot learning//IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach: IEEE: 403-412
20.
Wang T, Zhang H S and Lin H. 2016. High-level impervious surfaces classification in urban environments from hyperspectral imagery//Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing. Los Angeles: IEEE: 1-5
21.
Wang Y Q, Yao Q M, Kwok J T and Ni L M. 2021. Generalizing from a few examples: a survey on few-shot learning. ACM Computing Surveys, 53(3): 63
22.
Yu C Y, Liu C Y, Yu H Y, Song M P and Chang C I. 2021. Unsupervised domain adaptation with dense-based compaction for hyperspectral imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 12287-12299
23.
Zhang M M, Li W and Du Q. 2018. Diverse region-based CNN for hyperspectral image classification. IEEE Transactions on Image Processing, 27(6): 2623-2634
24.
Zhao X D, Zhang M M, Tao R, Li W, Liao W Z and Philips W. 2022. Cross-domain classification of multisource remote sensing data using fractional fusion and spatial-spectral domain adaptation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15: 5721-5733
25.
Zhong C X, Zhang J P, Wu S F and Zhang Y. 2020. Cross-scene deep transfer learning with spectral feature adaptation for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 2861-2873.
26.
Zhou L, He C, Wang D W and Guo Z Q. 2024. Few-shot object detection in optical remote sensing images. National Remote Sensing Bulletin, 28(7): 1693-1701
27.
Zhu C H, Chen X H, Chen J, Yuan Y H and Tang K. 2023. A siamese nested-UNet for change detection in posterior probability space (SNU-PS). National Remote Sensing Bulletin, 27(9): 2006-2023

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website