.png){kind=icon}
返回
A Plug-and-Play Data-Centric Training Framework for Efficient Hyperspectral Image Classification
.png){kind=icon}
OA
AI
DOI：10.1109/jstars.2026.3712611.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前方法主要将高光谱图像（HSI）分类视为标准计算机视觉任务，依赖静态训练范式，忽视了HSI的独特物理属性——特别是严重的光谱冗余和高空间相关性。这种疏忽导致高昂的计算成本。为突破这一瓶颈，我们提出渐进式自适应约束高效（PACE）框架。作为一种即插即用方案，PACE引入动态训练优化，无缝集成于各种架构中而无须结构修改。具体而言，PACE包含三个协同模块：首先，空间-光谱双约束数据增强模块利用空间同质性和连续光谱特征生成物理一致性的伪标签样本，有效解决数据稀缺问题。其次，渐进梯度下降策略实施动态课程，逐步优化数据采样，显著减少计算冗余。第三，输入-输出耦合自适应聚焦机制自适应地聚焦于可靠特征，确保稳定收敛。在四个基准数据集上对11种代表性HSI分类架构的广泛实验表明，PACE在Salinas、Pavia大学、WHU-LongKou和HyRANK-Loukia数据集上的总体精度分别提升1.33%、1.08%、1.91%和0.92%，同时训练时间分别减少35.92%、21.39%、22.14%和21.13%，提供了一种实用且通用的解决方案，有效平衡了HSI分类中的效率与精度。
Keyword:
Hyperspectral image (HSI) classification
plug-and-play
progressive learning
training acceleration
期刊
IF:
5.3
论文数:
1.6K
被引数:
3.0W
机构
引用论文
.png){kind=icon}
X-Shaped Interactive Autoencoders With Cross-Modality Mutual Learning for Unsupervised Hyperspectral Image Super-Resolution具有跨模态互学习的x型交互式自编码器，用于无监督的高光谱图像超分辨率
PREAI
分享收藏
分享收藏分享收藏Ultralightweight Feature-Compressed Multihead Self-Attention Learning Networks for Hyperspectral Image Classification用于高光谱图像分类的超轻量级特征压缩多头自注意学习网络
PREAI
分享收藏
查看更多内容