Anterior|Próximo

Rede protótipo de confiança desacoplada para classificação cross-domain com poucas amostras de imagens hiperespectrais

  • role： First author第一作者
  • Affiliation：

    College of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China

  • Email：wangxuesongcumt@163.com
  • Introduction：王雪松，研究方向为机器学习与模式识别。E-mail：wangxuesongcumt@163.com
WANG Xuesong,  
  • Affiliation：

    College of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China

JIANG Wenchao,  
  • role： Corresponding author通信作者
  • Affiliation：

    College of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China

  • Email：kongyicumt@163.com
  • Introduction：孔毅，研究方向为遥感图像智能解译。E-mail：kongyicumt@163.com
KONG Yi*,  
  • Affiliation：

    College of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China

CHENG Yuhu

Resumo

Devido à dificuldade de obter imagens hiperespectrais anotadas (HSI), métodos de classificação HSI baseados em aprendizado com poucas amostras têm recebido grande atenção. Métodos comuns de aprendizado com poucas amostras geralmente assumem que a distribuição das amostras de treinamento e teste é consistente; entretanto, devido a fatores como condições de captura, frequentemente existem diferenças na distribuição entre diferentes HSIs, dificultando que métodos tradicionais de aprendizado com poucas amostras atinjam alto desempenho de classificação. Para isso, este artigo propõe um método de classificação HSI cross-domain baseado em uma rede protótipo de confiança desacoplada. Primeiro, utiliza-se uma rede convolucional residual 3D para extrair características profundas das amostras, explorando plenamente a informação espacial-espectral do HSI; depois, com o auxílio de uma rede desacoplada, realiza-se a separação funcional das características profundas para representar de forma mais focada as características invariantes e específicas do domínio; em seguida, por meio da rede protótipo de confiança, selecionam-se amostras do conjunto de consulta com alta confiança e recalculam-se protótipos de classes mais confiáveis; por fim, utilizando-se de forma combinada os protótipos de classes de alta confiança e os protótipos originais, obtém-se uma classificação com poucas amostras mais precisa. A eficácia do método proposto neste estudo foi verificada por meio de experimentos comparativos com outros métodos existentes em vários conjuntos de dados reais hiperespectrais.

Palavras-chave

imagens hiperespectrais; classificação; aprendizado com poucas amostras; rede desacoplada; adaptação de domínio; protótipo de classe; redes neurais convolucionais; aprendizado por transferência

1 Introdução

Imagem hiperespectral (HSI) é apresentada como um cubo tridimensional, contendo características espectrais ricas e informações espaciais complexas, e é amplamente utilizado no desenvolvimento urbano.Baur等，2018Monitoramento Ambiental (Wang等，2016Exploração Mineral (Siebels等，2020 (Outras áreas). A classificação HSI é uma das tarefas fundamentais e importantes para realizar essas aplicações, com o objetivo de atribuir um rótulo de categoria único a cada pixel com base nas características espaciais e espectrais do HSI. Os métodos de classificação HSI geralmente incluem modelos de superfície e modelos de profundidade (Kong等，2024）。 Entre eles, os métodos superficiais tendem a ser difíceis de extrair características espectrais e espaciais complexas do HSI. Para isso, métodos de aprendizagem profunda são aplicados às tarefas de classificação HSI. Por exemplo:Hang等（2021）Subredes espectrais de atenção e subredes espaciais de atenção foram construídas combinando módulos de atenção e rede neural convolutional CNN, respectivamente;Zhang等（2018）Aprender informações de interação contextual do HSI usando CNN e fatores de ponderação em várias regiões para extrair características espectro-espaciais mais distintivas; Em resposta ao problema da ignorância da informação complementar superficial e profunda pela CNN existente,Feng等（2019）A fusão de características espaciais-espectrais de múltiplas camadas e a pré-marcação de amostras de alta confiança aliviam o problema da sobreadaptação da CNN durante o treinamento.
Embora a aprendizagem profunda tenha demonstrado excelente desempenho em tarefas de classificação HSI, isso tende a depender de um grande número de amostras de etiquetagem. No entanto, a rotulagem de amostras HSI requer muito tempo e custo humano. Como obter classificações HSI de alta precisão com uma pequena quantidade de amostras marcadas tornou-se um dos pontos quentes de pesquisa no campo da teledetecção nos últimos anos.朱传海等（2023）Proponha uma rede gêmea baseada no espaço de probabilidade pós-classificação que reduza a dependência de amostras combinando informações de probabilidade pós-classificação com cobertura de superfície.陈杰虎和汪西莉（2022）Utilize gráficos para modelar as relações semelhantes de imagens no espaço de características e utilize operações de convolução gráfico para suavizar as características de imagens da mesma categoria para melhorar a distinção das características de imagens de diferentes categorias. O aprendizado de migração oferece novas ideias para resolver a escassez de amostras de rotulagem, com o objetivo de migrar o conhecimento aprendido de tarefas com amostras suficientes de rotulagem (domínio de origem) para tarefas com menos amostras de rotulagem (domínio de destino). No entanto, devido às condições atmosféricas, à umidade do solo, aos parâmetros dos sensores e outros fatores, ainda existem certas diferenças de distribuição, mesmo que haja diferentes HSIs do mesmo sensor, o que afeta significativamente o desempenho do classificador. A adaptação de domínio, como um método clássico de aprendizagem migratória, é capaz de mapear dados de dois domínios diferentes, mas próximos, para o mesmo espaço de características, extraindo as características invariáveis ​​de domínio de ambos os domínios e usando-os para tarefas de classificação.Deng等，2019）。 ComoZhao等（2022）A fusão hierárgica é usada para manter a informação espacial do HSI e comparar o espectro com o HSI usando dados de radar a laser para, finalmente, reduzir as diferenças de distribuição das características espectro-espaciais através de redes adaptativas de domínio.周莲等（2024）Proponha um módulo de atenção colaborativa para orientar a rede para se concentrar nas informações de destino e aprimorar os dados em amostras de treinamento para expandir o tamanho do conjunto de dados e, finalmente, construir estratégias de treinamento conjuntas para melhorar a precisão da classificação através de uma ramificação de aprendizagem comparativa projetada.Yu等（2021）Proponha redes baseadas em densidade e utilize-as para extrair características espectro-espaciais discriminatórias e reduzir as diferenças de distribuição entre diferentes áreas através da aprendizagem confrontativa.Zhong等（2020）Primeiro, a distribuição de probabilidade marginal e a distribuição de probabilidade condicional são adaptadas a diferentes campos por meio de métodos adaptativos de distribuição de probabilidade combinada e, em seguida, os parâmetros do modelo treinados no domínio de origem são migrados para o domínio de destino e ajustados.Ganin和Lempitsky（2014）O pensamento baseado na aprendizagem antagônica propõe uma rede de antagonismo de domínio DANN (Domain Adversarial Neural Networks), que obtém características invariáveis ​​de domínio através do confronto entre um divisor de domínio e um extrator de características. No entanto, os métodos de domínio acima geralmente assumem que o domínio de destino e o domínio de origem possuem um espaço de etiqueta comum e não podem classificar novas classes de domínio de destino não vistas.
Nos últimos anos, o FSL (Few Shot Learning) foi proposto e usado para resolver esses problemas. Aprendizado de pequenas amostras também é geralmente considerado como um problema de migração do domínio de origem para o domínio de destino (Sun等，2019Contudo, ao contrário da adaptação de domínio tradicional, seus domínios de origem e destino não precisam compartilhar o mesmo espaço de etiqueta. A aprendizagem de pequenas amostras é essencialmente um método de meta-aprendizagem (Wang等，2021Usando estratégias de aprendizagem baseadas em tarefas (metatarefas) no domínio de origem para obter o conhecimento geral (metaconhecimento), ajudando a classificar domínios de destino com apenas uma ou mais amostras marcadas. Recentemente, a aprendizagem de pequenas amostras também foi usada para tarefas de classificação de imagens de alto espectro. ComoLiu等（2019）O método DFSL (Deep Few Shot Learning, aprendizagem de poucos tiros profundos) é usado paraHe等，2016A Rede Neural Convolucional Residual Tridimensional (Res-3D-CNN) é usada para extrair características espectrais do espaço profundo e aprender um espaço métrico a partir de quatro conjuntos de dados de alto espectro de domínio de origem combinando uma rede de protótipos. Nesse espaço metrológico, as amostras do mesmo tipo se aproximam umas das outras e as amostras de diferentes classes se afastam umas das outras. Além disso, a máquina vetorial de suporte SVM (Support Vector Machine) foi usada separadamente durante o teste.Melgani和Bruzzone，2004Os classificadores NN (Nearest Neighbor) e NN (Nearest Neighbor) fazem previsões para dados de domínio de destino não marcados.陈华杰等（2024）Proponha um algoritmo de aprendizagem de migração entre domínios baseado na ordem de correlação de amostras de domínio de origem. Primeiro, adicione a amostra de domínio de destino à tarefa de classificação de domínio de origem, ordene a correlação das amostras de domínio de origem e, em seguida, use uma estratégia de aprendizagem conjunta auto-supervisionada para introduzir uma ramificação auxiliar de previsão de ângulo auto-supervisionada na rede de classificação de domínio de destino.
A aprendizagem de pequenas amostras obtém bons resultados de classificação quando a amostra de marcação de domínio de destino é escassa, mas implícitamente assume que a amostra de domínio de destino e a amostra de domínio de origem são do mesmo domínio. No entanto, as amostras de domínio de origem e de domínio de destino tendem a ter grandes diferenças de distribuição e até mesmo os espaços de categoria não se sobrepõem. Além disso,Guo等（2020）Seja observado que algumas pequenas amostras de aprendizagem são menos eficazes para lidar com tarefas de pequenas amostras transdomínicas. Como resultado, resolver as diferenças de distribuição de domínio em pequenas amostras de aprendizado tornou-se um grande desafio. Em relação a esta questão,Li等（2022）Um método de aprendizagem de pequenas amostras de domínio cruzado profundo DCFSL (Deep Cross Domain Few Shot) é proposto para aprender metaconhecimento usando a adaptação de domínio adversário condicional (CDAN) contra a rede.Long等，2018Reduza as diferenças de características de dois domínios e use dados de alto espectro de domínio de origem único para fazer previsões sobre os outros quatro dados de domínio de destino. No entanto, o alinhamento excessivo entre domínios pode prejudicar o desempenho de aprendizagem de amostras pequenas, e para resolver esse problema, use uma rede de desacoplamento para desacoplar características de amostras em domínio imutável e características específicas de domínio. Use apenas as características de domínio invariáveis ​​para tarefas de classificação de amostras pequenas, evitando o impacto de características específicas de domínio, tanto quanto possível.
Dado isso, para aliviar o problema de que as diferenças de distribuição de HSI entre domínios causam uma diminuição do desempenho da generalização do modelo e melhorar a precisão da classificação de amostras pequenas, este artigo propõe uma nova abordagem para a classificação de amostras pequenas entre domínios de HSI baseada em uma rede de protótipos de confiança desacoplada DCPN (Disentangled Confidence Prototype Network). Primeiro, obter as características espectro-espaciais profundas do HSI usando a CNN residual 3D e separar funcionalmente as características de profundidade com uma rede de desacoplamento; Em seguida, filtre uma amostra de conjunto de consultas de alta confiança e calcule protótipos de categorias mais confiáveis; Por fim, a combinação de protótipos de categoria originais e protótipos de categoria de alta confiança permite uma classificação mais precisa de amostras pequenas. Metodos como a aprendizagem de pequenas amostras já existentes foram validados experimentalmente em seis conjuntos de dados HSI públicos, com o objetivo de fornecer uma reserva técnica eficaz para desafios como a escassez de amostras marcadas e o desvio de domínio na interpretação inteligente de imagens de detecção remota.

2 Rede de protótipo de confiança desacoplada

Conjunto de dados de domínio de origemConjunto de dados do domínio de destinoincluído separadamenteeuma categoria. Dependendo da etiqueta da amostra, o conjunto de dados do domínio de destino pode ser dividido em um conjunto de amostras etiquetadase conjunto de amostras sem marcação。é usado para treinamento metafísico, enquanto o modeloA precisão da classificação é avaliada pela DCPN. No entanto,Os conjuntos de suporte e consultas não são suficientes para constituir uma pequena amostra de tarefas do domínio de destino, entãoExtrair 5 amostras de etiquetas por classe e adicionar ruído gaussiano aleatório para a composição de dados de expansão。
O DCPN é composto por metatreinamento e metateste. O processo de treinamento é comoFig. 1mostrado. Consiste principalmente em tarefas de pequenas amostras de domínio de origem e de pequenas amostras de domínio de destino. A tarefa de amostra pequena entre domínios de origem é apresentada como exemplo, principalmente em três etapas:
figure

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

(1) Usar uma amostra de domínio de origem para criar metatarefas, onde as metatarefas são suportadas por conjuntose conjunto de consultascomposição. Além disso, marcar conjuntos de dados a partir do domínio de destinoSelecionar aleatoriamente várias amostras para formar um conjunto de amostras de domínio de destinoUtilize o extrator de características para extrair as características incorporadas do HSI separadamente.、e . Em seguida, as características incorporadas são inseridas na rede de desacoplamento para extrair as características de domínio invariáveis ​​de dois domínios, respectivamente、、Características específicas do domínio、、；
(2) Enviar as características imutáveis de domínio do conjunto de suporte de domínio de origem e do conjunto de consulta para a rede de protótipo de confiançaSelecione uma amostra de conjunto de consultas de alta confiança em combinação com o cálculo do conjunto de suporte para obter um protótipo de correção. Calculando e reduzindo a distância europeia do centro da categoria do conjunto de suporte ao protótipo；
(3) Enviar o domínio imutável e as características específicas do domínio do domínio de origem e destino para o classificador de domínio, calculando a perda de confusão de domínioPerda de distinção de domínioA fase de teste é comoFig. 2Como mostrado, em primeiro lugar, extração de rede com extratores de características pré-treinados e desacoplamentoeCaracterísticas imutáveis do domínio、e depois de usar o classificador NN para todas as amostras não marcadas restantesPrevisão de categorias.
figure

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

2.1 Extração de características

Extrair blocos vizinhos regionais do HSI como amostras de entrada e processar pixels simultaneamente ao longo do eixo espacial e do eixo espectral usando o 3D-CNN para extrair características espaciais-espectrais mais distintivas do HSI. Suporte ao domínio de origem
no estilo,，indica o número de categorias suportadas,indica o número de amostras de marcação por categoria,comprimento/largura,Representa a dimensão espectral do conjunto de dados do domínio de origem.
Conjunto de consultas de domínio de origem como
no estilo,Representa o número de amostras não marcadas, e as amostras do conjunto de suporte e do conjunto de consultas não coincidem.
O conjunto de dados do domínio de destino é
no estilo,，indica a dimensão espectral dos dados do domínio de destino,Para a partir deNúmero de amostras de domínio de destino extraídas aleatoriamente.
Para uniformizar as dimensões espectrais dos dados do domínio de origem e do domínio de destino, os dados de ambos os domínios são pré-processados usando as camadas de mapeamento do domínio de origem e do domínio de destino, respectivamente. As camadas de mapeamento são implementadas pela 2D-CNN, o processo de mapeamento é o seguinte:
no estilo,eo núcleo convolutivo das camadas de mapeamento do domínio de origem e do domínio de destino,para operações de convolução. As características da saída sãoEntre osÉ a dimensão espectral unificada de dois domínios após o tratamento da camada de mapeamento. Em seguida, a extração de características da saída da camada de mapeamento é feita usando o 3D-CNN de profundidade residual para obter características incorporadas.、eonde a camada de mapeamento e o resíduo de profundidade 3D-CNN juntamente formam o extrator de características，Dimensões características.

2.2 Rede de desacoplamento

As diferenças na distribuição dos dados de treinamento e dados de teste podem levar a uma diminuição da capacidade de generalização de métodos de aprendizagem em pequenas amostras. Para resolver esse problema, o método comumente usado é alinhar a distribuição dos domínios de origem e destino. No entanto, essa prática inevitavelmente resulta no alinhamento de características específicas de domínio. Além disso, como as classes de domínio de destino não coincidem com o domínio de origem, o alinhamento de características específicas de domínio afeta a capacidade de generalização do modelo no domínio de destino. Assim, as características específicas de domínio das características podem ser separadas e classificadas em pequenas amostras usando apenas as características invariáveis de domínio, reduzindo assim os efeitos negativos do alinhamento excessivo da distribuição de domínio. ComoLiu等（2018）Pela primeira vez, combinando métodos de adaptação de domínio e ideias de desacoplamento, o objetivo da migração de conhecimento entre domínios é alcançado através da desacoplamento de características de domínio de origem em características domínias imutáveis ​​e características específicas de domínio. Cao et al. (2018) apontam que redes neurais profundas produzem características altamente acopladas que precisam ser desacopladas em diferentes características subjacentes para torná-las mais explicativas.Fu等（2021）Usando a parte de codificação de dois codificadores automáticos variáveis ​​para extrair as características potenciais do desacoplamento, este artigo toma a configuração deste artigo para dividir as características de incorporação profunda do HSI em características invariáveis ​​de domínio e características específicas de domínio paraPor exemplo:
Primeiro codificadorPara extrair as características invariáveis de domínio, a fórmula de cálculo é
O segundo codificadorPara extrair características específicas de domínio, a fórmula de cálculo é
no estilo,eParâmetros de dois codificadores. Após essa característica, a rede finalmente obtém o conjunto de suporte de domínio de origem, o conjunto de consultas de domínio de origem e as características imotáveis de domínio do domínio de destino、、e características específicas do domínio、、。eDimensões de características domínias e domínios específicos, respectivamente.

2.3 Confiança em protótipos de rede

Utilização das características invariáveis do domínioePara calcular a perda de classificação de amostras pequenas, cada protótipo é a média de cada conjunto de características de amostras que suportam cada classe, a fórmula é a seguinte:
no estilo,Suporte ao conjunto de domínios de origemnúmero de amostras,representado como oTipo de protótipo. Protótipo de amostra de conjunto de consultas de computação de redeA distância entre os protótipos de classes e calcular a distribuição de classes para cada amostra de conjunto de consultas. entãoPertence aoA fórmula de cálculo de probabilidade da classe é a seguinte:
no estilo,Fórmula para o cálculo da distância europeia,Número total de categorias para o conjunto suportado. De acordo com a amostra do conjunto de consultasE etiquetas reais.A probabilidade logarítmica negativa de perda de classificação de todas as amostras de conjunto de consultas é expressa como
A classificação de amostras pequenas depende das amostras de marcação do conjunto suportado. Portanto, quando as amostras de etiquetagem são escasas, os protótipos de categoria calculados podem ter desvios. Portanto, este artigo usa a rede de protótipos de confiança para atribuir um peso a uma amostra de conjunto de consultas não rotuladas para recalcular o protótipo dessa classe. entãoProtótipo de correção de classesO processo de cálculo é o seguinte:
no estilo,A confiança da amostra que representa o conjunto de suporte é sempre 1.Expressão de apoioConjunto de amostras de classe.Uma amostra de conjunto de consultas de alta confiança, com os critérios de seleção abaixo:
no estilo,Para limiares de confiança, somente amostras de conjuntos de consultas com confiabilidade maior que esse limiar são envolvidas式（8）Se uma classe não tiver uma amostra de alta confiança, continue usando式（5）no protótipo. Calcule a soma das distâncias Euclideanas entre o protótipo de alinhamento de todas as classes e o protótipo do conjunto suportado:

2.4 Classificação de domínios

Classificador de domíniosPara mapear características em frações em dois domínios, uma das tarefas de classificação de domínio é usar o classificador de domínio de confusão de características invariáveis ​​de domínio para calcular a perda de confusão de domínio:
no estilo,para parâmetros do classificador de domínio,、eEtiquetas invariáveis de domínio para o conjunto de suporte de domínio de origem, o conjunto de consulta de domínio de origem e a amostra de domínio de destino, respectivamente, cujo valor para cada linha é definido como，Função de cálculo da perda dispersa de Kullback-Leibler. Classificador de domínio Outra tarefa destinada a permitir que características específicas de domínio sejam reconhecidas pelo classificador de domínio é calculada com a seguinte fórmula:
no estilo,、eEtiquetas de identificação de domínio para o conjunto de suporte de domínio de origem, o conjunto de consulta de domínio de origem e a amostra de domínio de destino,eTodos os valores são definidos como 1.Todos os valores são 0,função de entropia cruzada.

2.5 Funções alvo

A função de objetivo total da tarefa de amostra pequena do domínio de origem é
no estilo,、、esão os coeficientes de perdas,Representa a perda total de tarefas de amostra pequena entre domínios de origem. Se a tarefa de amostra pequena do domínio de destino for semelhante ao domínio de origem, então a função de destino total do DCPN é
Funções de alvo total式（13）e (14) atualizar alternadamente até que o modelo converja.

3 Configuração experimental e análise dos resultados

3.1 Introdução ao conjunto de dados

Para verificar a validade do método DCPN, selecione seis conjuntos de dados HSI públicos, incluindo: UP（University of Pavia）、PC（Pavia Center）、IP（Salinas、Indian Pines）、Chikusei Experimentos com (WHU-Hi-LongKou) LK. Selecione Chikusei com a maior categoria geográfica como conjunto de dados de domínio de origem e os 5 conjuntos de dados restantes como conjunto de teste de domínio de destino (Li等，2022）。 O conjunto de dados Chikusei foi capturado em 29 de julho de 2014 com o sensor de imagem Headwall Hyperspec-VNIR-C na cidade de Tsukishi, no Japão, cobrindo áreas urbanas e agrícolas, que incluem 19 categorias de terreno e 128 bandas. Comprimento de onda entre 343 e 1018 nmUm pixel com uma resolução espacial de 2,5 m, com informações detalhadas sobre categorias e amostras comoFig. 3mostrado.
figure

Fig. 3 Class and sample information of the Chikusei dataset

Conjunto de dados UP obtido pelo sensor ROSIS da Universidade de Pavia, ItáliaApós remover as bandas de ruído, absorção atmosférica e de água e sobreposição, as 103 bandas restantes são usadas para experimentos com comprimentos de onda de 430 a 860 nm, incluindo nove categorias de topografía.Fig. 4mostrado.
figure

Fig. 4 Class and sample information of the UP dataset

Conjunto de dados do PC obtido através de sensores ROSIS sobre a cidade do norte da ItáliaComposição de pixels, resolução espacial de 1,3 m, contém 102 bandas, comprimento de onda de 430-806 nm, conjunto de dados do PC contém 9 tipos de terreno, a seção de captura experimental do PC para experimentar, informações detalhadas sobre categorias e amostras como:Fig. 5mostrado.
figure

Fig. 5 Class and sample information of the PC dataset

O conjunto de dados IP foi coletado em 1992 por um espectrómetro AVIRIS no noroeste de Indiana. Após a remoção das bandas sujeitas ao ruído, o conjunto de dados IP é composto por 200 bandas com comprimentos de onda de 40 a 2500 nm, incluindo:pixel com uma resolução espacial de 20 m. A imagem é usada principalmente para pesquisas relacionadas com a agricultura e inclui um total de 16 categorias, com informações detalhadas sobre categorias e amostras como:Fig. 6mostrado.
figure

Fig. 6 Class and sample information of the IP dataset

O conjunto de dados Salinas foi obtido usando sensores AVIRIS no Vale Salinas, Califórnia, EUA, com uma cobertura espectral de 400 a 2500 nm.Um conjunto de dados com 204 bandas para classificação contém 16 artefatos com uma resolução espacial de 3,7 m, com informações detalhadas sobre categorias e amostras como:Fig. 7mostrado.
figure

Fig. 7 Class and sample information of the Salinas dataset

Conjunto de dados LK, capturado por câmeras de alto espectro a bordo da área agrícola da cidade de Longkou, na província de Hubei. O conjunto de dados contém 270 bandas espectrais,Um total de 9 categorias de pixels com uma resolução espacial de 0,463 m, com informações detalhadas sobre categorias e amostras como:Fig. 8mostrado.
figure

Fig. 8 Class and sample information of the LK dataset

3.2 Configuração experimental

Para verificar a validade do método DCPN, selecione seis conjuntos de dados HSI reais. Selecione Chikusei com a maior categoria de topografía como domínio de origem e os 5 conjuntos de dados restantes como domínio de destino. Todos os experimentos foram realizados usando a estrutura PyTorch em Python 3.6 e a plataforma Matlab 2017a em computadores com configuração de hardware de CPU Intel Core i7-6850K, Nvidia GeForce GTX 1080 Ti e 32 GB de memória. Quatro indicadores de desempenho foram selecionados no experimento: precisão de classificação por categoria, precisão de classificação geral (OA), coeficiente Kappa e precisão de classificação média (AA). Cada experimento foi realizado de forma independente 10 vezes e levou a média.
Selecione sete métodos de classificação para comparação, o método de classificação superficial (SVM), o método de aprendizagem profunda (Res-3D-CNN), o método de adaptação de domínio (DANN e CDAN), o método de aprendizagem de pequenas amostras (DFSL + SVM e DFSL + NN) e o método de pequenas amostras transdomínias (DCFSL). Para SVM e Res-3D-CNN, useComo um conjunto de treinamento, o DFSL+SVM e o DFSL+NN fazem referência às configurações do DFSL, formando Chikusei, Houston, Botswana e Kennedy Space Center como domínios de origem, descartando categorias com menos de 200 amostras e selecionando 100 bandas para garantir a consistência das dimensões dos dados de entrada. Para os métodos de adaptação de domínio DANN e CDAN, o domínio de origem é consistente com o DCPN eUsa-se como amostra de domínio de destino sem marcação para alinhar a distribuição de dois domínios.
Tome uma tarefa de amostra pequena entre domínios de origem como exemplo, para garantir um número suficiente de amostras, descarteClasses com menos de 200 amostras marcadas e, de acordo com o paradigma de aprendizagem meta, em cada treinamentoExtração aleatóriaClasses, extração aleatória por classeamostra como conjunto de suporte de domínio de origeme extraído aleatoriamente do resto da amostra.Uma amostra como um conjunto de consultas de domínio de origemOrdem.，，De.128 amostras selecionadas aleatoriamente para constituir um conjunto de dados sem etiquetas no domínio de destinoO comprimento e a largura do HSI de entrada são médias de 9. A configuração de amostra pequena entre domínios de destino é a mesma que acima.
Estruturas de rede extraídas comoFig. 9Como mostrado, é composto por uma camada de mapeamento, dois blocos residuais, duas camadas de pooling máximas e uma camada de convolução. Conv2d é uma camada de mapeamento 2D-CNN que visa mapear as dimensões espectrais do domínio de origem e do domínio de destino para a mesma dimensão. Núcleo de convolução de camada de mapa、Os parâmetros são determinados pelos dados de entrada. Conv é o tamanhoA camada de convolução 3D, Pooling significa a camada de pooling máximaA saída é、e . A rede de desacoplamento é composta por um codificador de 2 camadas, onde o FC1 é usado para extrair características gerais, o FC21a e o FC22a para extrair características de domínio invariáveis e o FC21b e o FC22b para extrair características específicas de domínio. O classificador de domínio é composto por camada de conexão completa e Dropout. Escolha o Adam como otimizador com 10.000 iterações de treinamento.
figure

Fig. 9 Diagram of feature extractor

Outras configurações de hiperparâmetros comoTable 1mostrado.

Table 1 Hyperparameter settings on different datasets

数据集学习率
UP10080400.0100.31.01.01.0
PC10080400.0100.21.01.01.0
IP9080400.0030.31.01.01.0
Salinas120128320.0030.30.81.00.6
LK60100500.0100.00.50.10.1

3.3 Resultados experimentais e análise

As tabelas 2 a 6 apresentam o desempenho comparado dos classificadores SVM, Res-3D-CNN, DANN, CDAN, DFSL+SVM, DFSL+NN e DCFSL (neste método) em cinco conjuntos de dados, respectivamente, como mostrado:
(1) Os métodos de adaptação de domínio DANN e CDAN têm uma precisão de classificação inferior a SVM para algumas categorias, o que indica que as características de alinhamento excessivo reduzem a precisão de classificação para domínios de origem e domínios de destino que não coincidem com as categorias;
(2) Em casos de escassez de amostras de marcação de domínio alvo, as estratégias de aprendizagem de tarefa usadas ​​em métodos de aprendizagem de amostras pequenas podem ajudar o modelo a aprender metaconhecimentos gerais, permitindo assim uma maior precisão de reconhecimento de novas classes em comparação com outros métodos;
(3) Em comparação com o método de aprendizagem em amostra pequena, o método de aprendizagem em amostra pequena transdomínio DCFSL alcançou uma maior precisão de classificação no domínio alvo. Isso ocorre porque o método leva em consideração as diferenças de distribuição entre o domínio de origem e o domínio de destino, aproximando a distribuição do domínio de origem e do domínio de destino ao mesmo tempo em que aprende o metaconhecimento transferível do domínio de origem, obtendo um modelo mais generalizado;
(4) O DCPN obteve o maior OA em todos os conjuntos de dados, porque o DCPN é capaz de desacoplar as características de profundidade extraídas pela rede profunda para obter invariáveis ​​de domínio e características específicas de domínio, e combinar classificadores de domínio para reduzir a lacuna de distribuição de domínio de origem e domínio de destino. Enquanto isso, o DCPN calcula protótipos de correção através da filtragem de amostras de conjuntos de consultas de alta confiança, permitindo que os protótipos de correção e os protótipos de conjuntos de suporte sejam aproximados constantemente durante o treinamento, evitando, em parte, o problema de falhas de previsão em amostras de conjuntos de consultas devido a uma amostra de marcação de conjuntos de suporte muito baixa;
(5) Em todos os conjuntos de dados, o DCPN consome mais tempo, principalmente porque: por um lado, o DCPN adota a convolução 3D, melhorando a capacidade de extração de características de espectro vazio HSI original, ao mesmo tempo que traz maior complexidade de cálculo; Por outro lado, a meta-estrutura de aprendizagem inclui treinamento e teste entre tarefas e treinamento e teste dentro de tarefas. Um grande número de amostras de teste em tarefas de treinamento resultou em um maior consumo de tempo para o DCPN.

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

类别SVMRes-3D-CNNDANNCDANDFSL+SVMDFSL+NNDCFSLDCPN
柏油路面/%61.9499.9073.1275.4580.9573.1873.32
草地/%55.8469.6090.3666.4182.1789.1994.79
碎石路面/%49.9540.8841.4550.5350.5752.2055.25
树木/%85.8884.6791.8390.1991.7398.2088.95
金属板屋顶/%99.1098.5886.6497.7698.51100.00
裸地/%63.0821.5456.3586.0072.4763.8164.51
沥青/%87.7781.2156.4575.0978.0478.9479.85
砖/%71.6346.5969.9270.1766.0657.9886.65
阴影/%100.0094.37100.0097.8899.7999.6899.47
OA/%64.4470.1569.6073.3073.9877.8384.65
AA/%75.6168.6671.6471.0279.5478.8282.98
Kappa0.56000.59690.62000.64000.67000.71000.8000
耗时/s5.31939.03997.311976.141991.891357.802118.96

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

类别SVMRes-3D-CNNDANNCDANDFSL+SVMDFSL+NNDCFSLDCPN
水体/%100.0098.11100.00100.00100.00100.00100.00
树木/%71.9391.2589.7394.2392.5290.4990.49
草地/%76.4367.5242.5953.0980.4181.5496.93
砖瓦地/%98.0396.9676.2595.7499.9599.2598.78
裸露土地/%87.5783.6574.2276.0986.0087.0599.30
草地/%95.2097.2693.0894.9995.7594.2699.01
沥青路面/%90.6695.2260.2790.7197.4197.9797.47
砖块/%88.1499.2825.0652.2347.4862.0398.85
阴影/%99.7092.2099.4698.9899.0799.76100.00
OA/%95.2396.0386.1392.0594.4195.1999.13
AA/%89.7792.3072.3984.0688.7590.5697.88
Kappa0.92870.94010.79330.88110.91610.92780.9870
耗时/s4.631257.741309.382262.872302.591463.872379.79

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

类别SVMRes-3D-CNNDANNCDANDFSL+SVMDFSL+NNDCFSLDCPN
苜蓿/%68.2987.8039.0297.5697.5697.56
非犁耕玉米地/%14.976.3927.4822.5626.0722.3545.82
少犁耕玉米地/%43.1525.5826.1827.7635.8838.4254.18
玉米地/%43.5333.1942.2453.4578.0287.9383.19
草地/牧地/%76.1551.8855.6560.2574.2783.2675.31
草地/树木/%75.7250.0785.9394.6288.9689.52
草地/修剪过的牧地/%100.00100.00100.00100.00100.00100.00100.00
干草堆/%73.7881.4090.0697.4694.2994.9392.39
燕麦/%100.00100.00100.00100.00100.00100.00
非犁耕的大豆地/%44.5757.7054.1956.2661.6354.4065.25
少犁耕的大豆地/%47.4358.2438.6528.8265.0664.5376.29
清理过的大豆地/%31.2938.6137.5931.2934.6934.5250.34
小麦/%92.0098.0096.5097.5098.50100.0095.50
森林/%42.2970.5673.2067.2285.9568.3385.16
建筑/草地/树木/机器/%23.6227.3057.2254.8667.1979.7962.47
石钢塔/%84.0996.5994.3288.64100.0096.59
OA/%50.7752.5645.4349.3162.4761.3669.92
AA/%61.6564.0739.4567.6275.5375.3878.83
Kappa0.44730.46890.60070.43830.57580.56820.6574
耗时/s1.18706.47714.871898.061902.092240.705465.74

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

类别SVMRes-3D-CNNDANNCDANDFSL+SVMDFSL+NNDCFSLDCPN
西兰花-幼苗期1/%87.8098.3595.9694.9198.25100.00100.00
西兰花-幼苗期2/%98.9014.9796.3590.3899.6298.2399.81
休耕地/%78.5925.5837.8578.4488.3390.9297.46
休耕地-粗犁/%98.6333.19100.0099.7199.4299.78
休耕地-平整/%98.0251.8888.2593.0494.0994.4694.20
残茬地/%97.2789.9399.3499.49100.00100.00100.00
芹菜/%99.05100.0097.8295.7599.2299.5599.05
葡萄-未整形/%60.7881.4014.2656.5452.0971.9766.97
葡萄园-裸地/发育土壤/%98.6193.3399.0891.5988.7498.6999.90
玉米-衰老期伴生杂草/%82.1957.7022.3665.8440.0287.8183.50
罗马生菜-生长4周/%91.7258.2468.9683.3597.6597.0899.72
罗马生菜-生长5周/%100.0038.6185.4391.1099.12100.0099.27
罗马生菜-生长6周/%98.6898.0097.0497.1598.6899.7898.02
罗马生菜-生长7周/%88.9270.5698.3194.3798.0398.2299.34
葡萄园-自然生长/%37.5627.3061.7985.2174.3875.3577.35
葡萄园-垂直架式/%91.8496.5983.9686.5789.6297.23100.00
OA/%80.2282.5169.9080.2281.8887.6290.35
AA/%88.7191.7279.3878.1080.0393.4595.03
Kappa0.78090.80650.67090.86900.86280.87020.8929
耗时/s6.47735.72757.091976.792030.752338.015372.43

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

类别SVMRes-3D-CNNDANNCDANDFSL+SVMDFSL+NNDCFSLDCPN
玉米/%86.3998.6794.2097.4298.0099.9398.81
棉花/%42.6893.5639.4626.9792.3972.1798.29
芝麻/%73.4011.4384.5777.3678.1293.0382.85
阔叶大豆/%64.5889.3762.4055.1070.1575.2081.58
窄叶大豆/%54.9789.5668.5575.9577.2398.4695.88
大米/%85.8083.1272.3779.6392.3995.6691.91
水体/%99.9599.9798.3499.7899.94
道路和房屋/%49.2850.3235.8264.0266.6494.4182.68
混合杂草/%62.8863.7363.1149.7567.9490.9572.32
OA/%79.5591.0679.3277.5487.4987.9793.85
AA/%68.8875.5269.3267.2686.5182.9694.66
Kappa0.74190.882973.920.71800.84140.84580.9199
耗时/s12.862335.092411.932338.782407.391677.832629.08
Para comparar mais intuitivamente os efeitos de classificação dos diferentes métodos de classificação em cada conjunto de dados, o gráficoFig. 10—Fig. 14Gráficos de classificação para diferentes conjuntos de dados. O DCPN é capaz de obter um gráfico de classificação mais suave e detalhado em todos os conjuntos de dados.
figure
figure
figure
figure
figure
figure
figure
figure

Fig. 10 Classification maps on the UP dataset

figure
figure
figure
figure
figure
figure
figure
figure

Fig. 11 Classification maps on the PC dataset

figure
figure
figure
figure
figure
figure
figure
figure

Fig. 12 Classification maps on the IP dataset

figure
figure
figure
figure
figure
figure
figure
figure

Fig. 13 Classification maps on the Salinas dataset

figure
figure
figure
figure
figure
figure
figure
figure

Fig. 14 Classification maps on the LK dataset

Veja, por exemplo, o conjunto de dados do Indian Pines.Fig. 12mostrado. Em comparação com outros métodos, o DCPN é mais errado em algumas categorias, como florestas, devido à seleção de superparâmetros não óptimos do DCPN. Como todos sabemos, a busca óptima de hiperparâmetros com base no método DL é difícil de alcançar, e o DCPN adiciona perdas de mistura de domínio, perdas de distinção de domínio e perdas de distância entre o protótipo de alinhamento e o protótipo de conjunto suportado com base nos objetivos de aprendizagem do DCFSL, o que também introduz hiperparâmetros adicionais ao mesmo tempo que melhora a distinção e a capacidade de migração do modelo. No entanto, o DCPN é capaz de obter resultados de classificação semelhantes ou melhores que outros métodos na maioria das categorias. Outros métodos, por exemplo, podem dividir erroneamente mais terras de soja limpas em terras de soja menos aradas e terras de soja não aradas; Dividir erroneamente mais terras de soja menos aradas em terras de milho não aradas; Dividir erroneamente mais pastagens / árvores em pilhas de feno e florestas; Dividir erroneamente mais terras de milho não aradas, menos de milho aradas, terras de soja não aradas e terras de soja limpas em terras de soja menos aradas. Além disso, o DCPN foi capaz de obter classificações significativamente melhores do que outros métodos de contraste em categorias como pastagens no conjunto de dados UP, vinhas - solo nu / em desenvolvimento no conjunto de dados Salinas e soja de folhas largas no conjunto de dados LK.
Além disso, os experimentos de desfusão foram organizados para verificar o efeito dos diferentes componentes do DCPN no desempenho da classificação, comoTable 7mostrado. porTable 7Conhecido:

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
UP82.5280.5081.0383.49
PC97.1397.7197.7198.66
IP66.5768.0868.5969.08
Salinas87.9688.4089.5791.46
LK93.7992.6891.7893.85
O DCPN obteve a OA mais alta em todos os conjuntos de dados em comparação com vários outros métodos. Por um lado, o DCPN alcançou o objetivo de desacoplamento de características e alinhamento apenas de características de domínio com perdas FC e perdas FS, permitindo a mistura de características de diferentes campos no espaço de características de domínio invariáveis ​​construído e a diferenciação de características no espaço de características específicas de domínio, aliviando o problema de migração negativa resultante do alinhamento de características específicas de domínio; Por outro lado, através da minimizaçãoO alinhamento entre o protótipo de categoria original e o protótipo de categoria de alta confiança foi implementado para aliviar a redução da precisão da classificação devido ao desvio do protótipo de categoria.

3.4 SuperparâmetroseAnálise do impacto da precisão da classificação

Para verificar os hiperparâmetros、O impacto do desempenho da classificação DCPN foi analisado em 5 conjuntos de dados HSI, com resultados como:Fig. 15mostrado. Visível:
figure
figure
figure
figure
figure

Fig. 15 Influence of and over OA on different datasets

1) Muito grandeSignifica aproximar-se excessivamente do centro de categorias de protótipos e conjuntos de suporte durante o treinamento; Muito pequeno.Isso indica que os conjuntos de consultas foram classificados principalmente com base no centro de categorias de conjuntos de suporte durante o treinamento. Valores muito grandes ou muito pequenos podem levar à diminuição da OA;
(2) Em todos os conjuntos de dados, comO aumento da OA apresenta aproximadamente uma tendência de aumento depois de diminuição. Isso porque é muito pequeno.Valorização pode levar a aprendizagem insuficiente do metaconhecimento no domínio de origem, muito grandeIsso faz com que o modelo se encaixe demais no domínio de origem.
In summary, it is recommended to set the parameter range to，。

4 Conclusões

Em resposta à dificuldade de aprendizagem de pequenas amostras baseadas em metaaprendizagem para lidar eficazmente com a diminuição da precisão de classificação resultante de diferenças de campo durante a fase de treinamento, e a previsão imprecisa de protótipos de categorias em redes de protótipos que leva a uma diminuição do desempenho de classificação, este artigo apresenta um método de classificação de pequenas amostras transdomínicas de imagens de alto espectro baseado em redes de protótipos de confiança desacopladas. As principais conclusões são as seguintes: (1) a utilização da rede de desacoplamento para obter características não domínias e características específicas de domínio, apenas as características domínias para tarefas de classificação de pequenas amostras, reduzindo assim o impacto negativo das características específicas de domínio; (2) Propor uma rede de protótipos de confiança, que atribui o peso correspondente a amostras de conjuntos de consultas não marcadas para recalcular os protótipos de cada categoria e, em colaboração com o centro de categorias de amostras de conjuntos de suporte originais, conclui conjuntamente tarefas de classificação de amostras pequenas de alta qualidade. Os resultados experimentais realizados em conjuntos de dados HSI reais mostraram que a utilização dos métodos descritos neste artigo permite obter uma maior precisão de classificação transdomínica e resultados de classificação mais suaves e detalhados. Dado que as imagens de alto espectro obtidas tendem a ser afetadas pelas condições atmosféricas, equipamentos de captura e outros fatores, como obter características mais robustas de domínio genérico e domínio específico com base neste método é uma questão que vale a pena explorar.

References

  1. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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

Leia o texto completo

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