.png){kind=icon}
返回
Discrepancy-Conditioned Residual Feature Refinement for Multi-Source Hyperspectral Classification
.png){kind=icon}
OA
AI
DOI：10.3390/rs18172995.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多源跨域高光谱图像(HSI)分类受限于异构传感器配置、场景依赖的分布偏移和有限的目标标注数据，阻碍了跨多个场景的有效知识迁移。受渐进特征校正的启发，我们提出了一种三阶段的残差特征差异细化(RFD)框架，用于异构HSI域间的协同表示学习。RFD将这种校正表述为一个确定性、差异条件化的残差细化过程。首先，领域特定编码器将四个源域和可能具有不等光谱维度和标签空间的靶域投影到共同维度的特征空间。自适应严重程度和领域加权利用一阶和二阶特征差异来估计领域特定的条件坐标和协同贡献权重。一个共享的差异条件化残差细化器随后进行多步特征细化以减少领域依赖的统计偏差。最后，指数移动平均历史原型记忆稳定了靶域适应，随后进行余弦1最近邻分类。在十次随机运行中，RFD在NC12、Salinas和WHU-Hi-LongKou上分别实现了94.65%、94.87%和96.95%的平均总体精度，并在评估的统一协议方法中获得了最高的平均总体精度、平均精度和κ值。
Keyword:
hyperspectral image classification
multi-source collaborative representation
cross-domain transfer learning
residual feature refinement
domain discrepancy
target episodic adaptation
期刊
IF:
4.1
论文数:
7.3K
被引数:
15.1W
机构
引用论文
Hyperspectral Image Classification via Cross-Domain Few-Shot Learning With Multilevel Style and Semantic Enhancement基于跨域少样本学习的多级风格与语义增强高光谱图像分类
PREAI
分享收藏Recent Advances of Hyperspectral Imaging Technology and Applications in Agriculture高光谱成像技术及其在农业中的应用研究进展
OAAI
OAAI分享收藏A Fast Dense Spectral–Spatial Convolution Network Framework for Hyperspectral Images ClassificationOAAI
OAAI分享收藏Uncertainty-Guided Multi-Center Prototype Alignment for Cross-Domain Few-Shot Hyperspectral Image Classification不确定性引导的多中心原型对齐用于跨域少样本高光谱图像分类.png)
ElectronicsOAAI
ElectronicsIF2.6
OAAI分享收藏Spectral-Spatial Domain Attention Network for Hyperspectral Image Few-Shot Classification光谱-空间域注意力网络用于高光谱图像少样本分类OAAI
OAAI分享收藏Few-shot learning framework based on classifier and domain adaptive alignment for hyperspectral classification于, L.; 张, X.; 王, K. 基于分类器和领域自适应对齐的高光谱分类少样本学习框架. Neurocomputing 2025, 647, 130726. [Google Scholar] [CrossRef] [Scilit]
PREAI
分享收藏Semantic Guided prototype learning for Cross-Domain Few-Shot hyperspectral image classification语义引导的原型学习在跨域少拍高光谱图像分类中的应用
PREAI
分享收藏
查看更多内容