关键词:
高光谱影像分类
少样例分类
无监督元学习
深度学习
投票策略
摘要:
针对高光谱影像少样例分类问题,本文提出了一种无监督元学习方法。该方法能够利用无标记样本进行无监督元学习,在显著减少深度学习模型对大量标记样本依赖的同时有效提高高光谱影像少样例分类精度。首先,基于自监督学习思想利用主成分分析和数据增强方法构造同一样本的不同增强特征,以形成大量不同的任务并对模型进行元训练。然后,分别利用目标影像中随机选择的少量标记样本和全部样本对模型进行微调和分类测试,评估模型在少样例条件下的分类性能,并在微调和分类过程中引入投票策略进一步提高分类精度。本文方法能够在零标记样本的条件下对模型进行充分的无监督元训练,突破了监督元学习方法需要大量源标记样本的瓶颈和限制。3组公开数据集上的试验结果表明,本文方法在少样例条件下能够获得较现有方法更为优异的分类结果。