[IEEE 2018年第20届国际多媒体信号处理研讨会(MMSP) - 加拿大不列颠哥伦比亚省温哥华(2018年8月29日-8月31日)] 2018 IEEE第20届国际多媒体信号处理研讨会(MMSP) - 高光谱图像分类的深度迁移学习

摘要： 高光谱图像（HSI）包含海量样本、大量波段以及随机出现的冗余信息。对此类复杂数据进行分类具有挑战性，且分类性能通常受标注训练样本数量的显著影响。采集这类标注样本既耗时又费力，这促使人们萌生从其他既有相关图像中借用和复用标注样本的思路。因此，能够缓解现有高光谱图像与新图像之间语义差异的迁移学习方法，近年来日益受到研究关注。然而，现有针对高光谱图像的迁移学习方法主要聚焦于如何克服图像间的差异，在迁移过程中可能忽略了高层潜在特征。基于这一观察，本文提出两个新思路：通过构建并连接源与目标高光谱数据的高层特征，进一步克服跨域差异。与现有方法不同，所提出的分类框架无需目标域的先验知识，且适用于同质与异质高光谱数据。真实高光谱图像的实验结果表明，该方法对高光谱图像分类具有重要意义。