.png){kind=icon}
返回
DiffusionAAE: Enhancing hyperspectral image classification with conditional diffusion model and Adversarial Autoencoder
.png){kind=icon}
OA
AI
DOI：10.1016/j.ecoinf.2025.103118.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像（HSI）分类对生态监测至关重要，但由于高维性、复杂的谱-空间关系和有限的标注数据而面临重大挑战。本研究引入了DiffusionAAE，一种新颖的框架，独特地结合了对抗自编码器（AAE）与条件扩散模型来解决这些挑战。与现有方法不同，DiffusionAAE将光谱相似性约束和类别标签指导融入扩散过程，确保生成符合物理真实性的合成样本。本框架的关键创新在于其两阶段架构：首先，AAE提取鲁棒的潜在特征，捕捉复杂的谱-空间关系；其次，条件扩散模型通过渐进去噪优化这些特征，实现类别特定的特征生成，同时维持高光谱数据固有的物理约束。在三个基准数据集上的全面实验证明了DiffusionAAE的卓越性能：与当前最佳方法相比，本方法在Indian Pines数据集上达到96.77%的整体准确率（OA），比基于CNN的方法高出3.21%；在University of Pavia数据集上达到99.56%，比基于Transformer的方法提升1.24%；在Salinas数据集上达到99.62%，优于最佳竞争方法0.98%。值得注意的是，DiffusionAAE在少数类别上表现出色，在Indian Pines数据集中占比较小的类别平均准确率提升了7.35%。该框架在有限训练数据场景下表现尤为突出，即便仅使用5%的可用标注样本，仍能维持95.3%的准确率。这些结果确立了DiffusionAAE在生态信息学应用中的显著进展，特别是在生物多样性监测和土地覆盖分类领域，这些领域普遍面临标注数据稀缺和类别不平衡的挑战。
Keyword:
Land cover classification
Generative model
Feature extraction
Hyperspectral image classification
Conditional diffusion model
Adversarial autoencoder
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.3
论文数:
3.7K
被引数:
1.3W
机构
暂无机构信息
引用论文
.png){kind=icon}
Synergistic spectral and spatial feature analysis with transformer and convolution networks for hyperspectral image classification基于Transformer和卷积网络的协同光谱与空间特征分析的高光谱图像分类
PREAI
分享收藏Assessing water quality environmental grades using hyperspectral images and a deep learning model: A case study in Jiangsu, China使用高光谱图像和深度学习模型评估水质环境等级: 以中国江苏为例OAAI
OAAI分享收藏
GAF-Net: Geometric Contextual Feature Aggregation and Adaptive Fusion for Large-Scale Point Cloud Semantic SegmentationGaf-net: 大规模点云语义分割的几何上下文特征聚合与自适应融合
PREAI
分享收藏
查看更多内容