.png){kind=icon}
返回
Diffusion-Decided Views in Contrastive Learning for Hyperspectral Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/LGRS.2025.3585565.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自监督学习（SSL）在超光谱图像分类（HSIC）领域取得了显著进展。对于对比学习，传统的数据增强方法会导致与真实光谱的偏差、可变性有限以及信息损失。为解决这些局限性，本研究引入扩散模型（DMs）来生成逼真的合成样本作为对比学习的输入视图。这种基于扩散的增强使我们的对比学习网络能够学习更鲁棒的光谱-空间表示。在两个公开可用数据集上的实验结果表明，该方法优于众多现有方法。并且消融研究证明了采用DMs的有效性。
Keyword:
Contrastive learning
data augmentation
diffusion model (DM)
feature extraction
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
查看更多内容