.png){kind=icon}
返回
Combining Contrastive Learning and Diffusion Model for Hyperspectral Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/LGRS.2025.3601152.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，自监督学习在超光谱图像分类（HSIC）领域取得了显著进展。然而，不同的方法各有其独特的优势和局限性。对比学习擅长从大量冗余数据中提取关键信息，但其训练目标可能会无意中增加类内特征距离。为解决此局限性，我们利用扩散模型（DMs），因其已被证明能够通过建模复杂数据分布来优化和聚合特征。具体而言，DMs固有的去噪和生成过程在理论上非常适合通过学习从扰动输入中重建干净、代表性的特征来增强类内紧凑性。我们提出了新的方法——ContrastDM。该方法生成合成特征，改进并丰富了特征表示，并在一定程度上解决了样本稀疏性问题。在三个公开可用数据集上的分类实验表明，ContrastDM显著优于当前最先进的方法。
Keyword:
Barlow twins
contrastive learning
diffusion model (DM)
hyperspectral image classification (HSIC)
期刊
IF:
16.4
论文数:
1.0W
被引数:
5.1K
机构
引用论文
SpectralDiff: A Generative Framework for Hyperspectral Image Classification With Diffusion Models
OAAI
OAAI分享收藏Unsupervised Spatial-Spectral Feature Learning by 3D Convolutional Autoencoder for Hyperspectral Classification基于3D卷积自动编码器的无监督空间光谱特征学习，用于高光谱分类
PREAI
分享收藏ContrastNet: Unsupervised feature learning by autoencoder and prototypical contrastive learning for hyperspectral imagery classification.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏DiffusionAAE: Enhancing hyperspectral image classification with conditional diffusion model and Adversarial AutoencoderDiffusionAAE：基于条件扩散模型和对抗自编码器的高光谱图像分类方法提升OAAI
OAAI分享收藏分享收藏Artificial Intelligence for Remote Sensing Data Analysis A Review of Challenges and Opportunities
PREAI
分享收藏
查看更多内容