.png){kind=icon}
返回
A Guided Implicit Generative Adversarial CNN–Transformer Framework for Class-Imbalanced Hyperspectral Image Classification
.png){kind=icon}
OA
AI
DOI：10.3390/rs18193343.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像（HSI）分类对于地物覆盖识别和遥感场景分析具有重要意义。然而，当少数类别仅包含少量标记样本时，类别不平衡问题会严重影响性能，导致模型表现出良好的整体效果，但无法有效识别少数类别。我们提出了一种3D引导隐式生成对抗过采样模型（3D-GIGAMO），这是一种生成-分类协作框架，通过产生任务导向的类别条件少数类别图像块进行过采样来缓解类别不平衡问题，同时学习判别性的光谱-空间表示，以实现鲁棒且类别平衡的HSI分类。该模型将基于真实训练图像块的引导隐式神经表示嵌入到对抗学习框架中，并使用条件有界分数目标与梯度范数正则化进行优化。一种混合卷积神经网络（CNN）-Transformer分类器在真实和合成图像块上进行训练，并通过类别一致性损失鼓励合成图像块保持目标类别的语义信息。在四个公开基准数据集（印第安松树、帕维亚大学、WHU-Hi-LongKou和萨利纳斯）上的实验表明，该方法在所有数据集上均提升了整体准确率和平均准确率，分别达到99.58%、98.45%、96.88%和99.85%，优于多项近期方法。
Keyword:
hyperspectral image classification
deep learning
generative adversarial network
implicit neural representation
convolutional neural network (CNN)
期刊
IF:
4.1
论文数:
7.7K
被引数:
15.1W
机构
引用论文
Deeply-supervised pseudo learning with small class-imbalanced samples for hyperspectral image classification基于小样本非平衡样本的深度监督伪学习高光谱图像分类
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏Mamba Collaborative Implicit Neural Representation for Hyperspectral and Multispectral Remote Sensing Image FusionMamba协作隐式神经表示用于高光谱与多光谱遥感图像融合OAAI
OAAI分享收藏Ensemble synthetic oversampling with pixel pair for class-imbalanced and small-sized hyperspectral data classification基于像素对的集成合成过采样方法用于处理类别不平衡和小样本高光谱数据分类
PREAI
分享收藏Deep supervised learning for hyperspectral data classification through convolutional neural networks
PREAI
分享收藏
查看更多内容