Deep Few-Shot Learning for Hyperspectral Image Classification

最新推荐文章于 2022-11-23 10:52:10 发布

原创

最新推荐文章于 2022-11-23 10:52:10 发布 · 1.1k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习

文章提出了一种深度3-D残差卷积神经网络（D-Res-3-D CNN）的深度少量样本学习（DFSL）方法，用于高光谱图像分类。通过episodes训练学习度量空间，使同一类样本接近，不同类样本远离。测试时，使用该空间进行最近邻分类。实验显示，DFSL在样本量有限时优于传统半监督方法。

Deep Few-Shot Learning for Hyperspectral Image Classification
作者：Bing Liu , Xuchu Yu, Anzhu Yu, Pengqiang Zhang, Gang Wan, and Ruirui Wang
出处：IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING
发表时间：2019

1.1摘要与贡献：
目前，深度学习方法已被成功用于高光谱图像（HSI）分类。然而，想要训练一个深度学习的分类器需要成千上百个标记样本。这篇文章提出了一种深度学习方法来解决HSI分类的小样本问题。在所提出的算法中有三个新颖的策略：
通过深度3-D残差卷积神经网络提取光谱空间特征，以降低标签的不确定性。
通过episodes训练网络以学习度量空间，其中来自同一类的样本距离近，来自不同类的样本距离远。
测试样本由学习度量空间中的最近邻居分类器分类
其中最重要的是用训练样本训练deep residual 3-D CNN得到一个metric space。这样的metric space可以泛化到测试集中，对测试集的样本进行分类。模型在训练的时候是不知道测试集是什么样子的，所以这是一个纯半监督学习。
1.2方法：DFSL(Deep Few-shot Learing)
（1）训练过程
在这里插入图片描述

从training data set中随机选择一些类，再在每一类中选择support sample（本文中为1个），剩余的部分就是query sample，每一类的sample合在一起变成set就得到了support set和query set。随后将support set和query set输入网络模型中。这样一个训练更新权重的过程为1个episode。
一次episode过程后，在metric space这个

最低0.47元/天解锁文章