.png){kind=icon}
返回
Regression-derived probabilistic feature generation for hyperspectral image classification using a lightweight framework
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asr.2026.03.055.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像（HSI）的准确且计算高效分类由于光谱冗余、标记样本有限和高数据维度等原因仍是一项具有挑战性的任务。本研究提出了一种基于回归的概率特征生成框架，用于轻量级HSI分类。与直接预测类别标签的传统方法不同，所提出的方法采用两阶段过程。在第一阶段，训练类别级回归模型，将光谱响应映射到类别概率的连续估计值。然后将得到的概率图连接成一个紧凑的低维概率特征空间，作为第二阶段标准分类器的输入。在三个基准数据集（Indian Pines、Pavia University和Salinas）上，使用三种代表性分类器（SVM、RF和MLP）并在多种训练/测试比例（70/30、60/40和50/50）下的实验表明，所有指标均实现了性能提升。与直接分类相比，所提出的框架将总体准确率提高了约4%，平均准确率提高了6%，F1分数提高了5%，Kappa系数提高了4%。配对t检验和Wilcoxon符号秩检验的统计分析证实，这些改进具有高度显著性（p < 0.002）。此外，基于回归的框架在所有三个数据集上均优于轻量级3D-CNN模型（提高约0.3～2.0个百分点），并在两个数据集上超越了2D-CNN基线，在第三个数据集上仅落后约1.1个百分点。总体而言，本研究表明，基于回归的概率表示可以显著增强类别可分性、泛化能力和效率，为高光谱图像分类提供了一种可解释且资源敏感的替代方案。
Keyword:
hyperspectral image classification
probabilistic feature generation
regression-based framework
lightweight model
class separability
