面向领域自适应的部分最优传输高光谱图像分类

王碧琳; 王生生; 张哲

doi:10.37188/OPE.20233117.2555

您当前的位置：

首页 >

文章列表页 >

面向领域自适应的部分最优传输高光谱图像分类

信息科学 | 更新时间：2023-09-22

- 面向领域自适应的部分最优传输高光谱图像分类
- Partial optimal transport-based domain adaptation for hyperspectral image classification
- 光学精密工程 2023年31卷第17期页码：2555-2563
- 作者机构：
  
  1.吉林大学计算机科学与技术学院，吉林长春 130012
  2.中国科学院苏州生物医学工程技术研究所，江苏苏州 215163
- 作者简介：
  
  [ "王碧琳（1995-），女，黑龙江大庆人，博士研究生，2017年于吉林大学获得学士学位，主要从事计算机视觉、迁移学习及最优传输方面的研究。E-mail： blwang19@mails.jlu.edu.cn" ]
  [ "王生生（1974-），男，吉林长春人，教授，博士生导师，1997年、2000年、2003年于吉林大学分别获得学士、硕士和博士学位，主要研究方向为深度学习、计算机视觉及数据挖掘。E-mail：wss@jlu.edu.cn" ]
- 基金信息：
  
  国家重点研发计划资助项目(2020YFA0714103);吉林省发展和改革委员会创新能力建设项目(2021FGWCXNLJSSZ10;2019C053-3)
- DOI：10.37188/OPE.20233117.2555
  中图分类号：
扫描看全文
王碧琳, 王生生, 张哲. 面向领域自适应的部分最优传输高光谱图像分类[J]. 光学精密工程, 2023,31(17):2555-2563.

WANG Bilin, WANG Shengsheng, ZHANG Zhe. Partial optimal transport-based domain adaptation for hyperspectral image classification[J]. Optics and Precision Engineering, 2023,31(17):2555-2563.
王碧琳, 王生生, 张哲. 面向领域自适应的部分最优传输高光谱图像分类[J]. 光学精密工程, 2023,31(17):2555-2563. DOI： 10.37188/OPE.20233117.2555.

WANG Bilin, WANG Shengsheng, ZHANG Zhe. Partial optimal transport-based domain adaptation for hyperspectral image classification[J]. Optics and Precision Engineering, 2023,31(17):2555-2563. DOI： 10.37188/OPE.20233117.2555.

摘要

针对高光谱遥感图像分类时有标注的源域训练数据与无标注目标域数据分布不一致的问题，提出基于部分最优传输的无监督领域自适应方法，实现对处于不同数据分布的高光谱遥感地物像素级分类。利用深度卷积神经网络将样本映射到潜在高维空间，根据部分最优传输理论建立样本传输方案，最小化域间分布差异，构建适配模型。采用类感知采样技术和质量分数因子自适应调整策略，促进域间类别对齐，建立全局最优传输。在两组公开高光谱遥感图像数据集上进行实验，从总体分类精度OA（%）、类别平均分类精度AA（%）、分类一致性检验Kappa（×100）等3个评价指标对像素分类结果量化比较。实验结果显示，在两组迁移任务上，相较于仅使用源域数据的基线模型，总体分类准确率分别提升2.21%和2.75%，相较于原始最优传输策略提升1.71%和2.01%，表明模型能够有效提升高光谱遥感影像中像素级地物的分类精度。

Abstract

Hyperspectral image classification is a major task in remote sensing data processing. To solve the problem of inconsistent distribution of labeled source and unlabeled target domains， an unsupervised domain adaptive method based on partial optimal transport is proposed to achieve pixel-level classification of hyperspectral ground objects under different data distributions. Specifically， a deep convolution neural network is used to map the sample to the potential high-dimensional space， and the sample transportation scheme is established based on the partial optimal transport theory to minimize the distribution discrepancy between domains. Class-aware sampling and the mass factor adaptive adjustment strategy are used to promote the class alignment between domains and establish a global optimal transport. Experiments were conducted on two open-source hyperspectral image datasets， and the classification accuracies were compared quantitatively from the three evaluation matrices of overall accuracy （OA， %）， average accuracy （AA， %）， and Kappa （×100）. Compared with the source-only method， the improved classification accuracies with the proposed method for OA and AA were 2.21% and 2.75%， respectively， and compared with the original optimal transport， the improved accuracies were 1.71% and 2.01%， respectively. These results show that the proposed model can effectively improve pixel-level classification accuracy in hyperspectral images.

关键词

计算机视觉神经网络领域自适应最优传输高光谱图像

Keywords

computer visionneural networkdomain adaptationoptimal transporthyperspectral image

references

杨坚华，张浩，花海洋. 并行路径与强注意力机制遥感图像建筑物分割［J］. 光学精密工程， 2023， 31（2）： 234-245. doi: 10.37188/ope.20233102.0234http://dx.doi.org/10.37188/ope.20233102.0234

YANG J H， ZHANG H， HUA H Y. Parallel path and strong attention mechanism for building segmentation in remote sensing images［J］. Opt. Precision Eng.， 2023， 31（2）： 234-245.（in Chinese）. doi: 10.37188/ope.20233102.0234http://dx.doi.org/10.37188/ope.20233102.0234

贾建鑫，孙海彬，蒋长辉，等. 多源遥感数据的道路提取技术研究现状及展望［J］. 光学精密工程， 2021， 29（2）： 430-442. doi: 10.37188/OPE.20212902.0430http://dx.doi.org/10.37188/OPE.20212902.0430

JIA J X， SUN H B， JIANG CH H， et al. Road extraction technology based on multi-source remote sensing：［J］. Opt. Precision Eng.， 2021， 29（2）： 430-442.（in Chinese）. doi: 10.37188/OPE.20212902.0430http://dx.doi.org/10.37188/OPE.20212902.0430

成丽波，李昂臻，贾小宁，等. 小波多重分形遥感图像混合去噪［J］. 光学精密工程， 2022， 30（15）： 1880-1888. doi: 10.37188/ope.20223015.1880http://dx.doi.org/10.37188/ope.20223015.1880

CHENG L B， LI A ZH， JIA X N， et al. Removing mixed noise from remote sensing images by wavelet multifractal method［J］. Opt. Precision Eng.， 2022， 30（15）： 1880-1888.（in Chinese）. doi: 10.37188/ope.20223015.1880http://dx.doi.org/10.37188/ope.20223015.1880

熊林. 无监督领域自适应目标检测方法研究［D］. 成都：电子科技大学， 2022.

XIONG L. Research on Unsupervised Adaptive Target Detection Method［D］. Chengdu： University of Electronic Science and Technology of China， 2022. （in Chinese）

LIU Z X， MA L， DU Q. Class-wise distribution adaptation for unsupervised classification of hyperspectral remote sensing images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021， 59（1）： 508-521. doi: 10.1109/tgrs.2020.2997863http://dx.doi.org/10.1109/tgrs.2020.2997863

MIAO J J， ZHANG B， WANG B. Coarse-to-fine joint distribution alignment for cross-domain hyperspectral image classification［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021， 14： 12415-12428. doi: 10.1109/jstars.2021.3129177http://dx.doi.org/10.1109/jstars.2021.3129177

FANG Z Q， YANG Y X， LI Z K， et al. Confident learning-based domain adaptation for hyperspectral image classification［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-16. doi: 10.1109/tgrs.2022.3166817http://dx.doi.org/10.1109/tgrs.2022.3166817

LIANG X J， ZHANG Y， ZHANG J P. Attention multisource fusion-based deep few-shot learning for hyperspectral image classification［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021， 14： 8773-8788. doi: 10.1109/jstars.2021.3109012http://dx.doi.org/10.1109/jstars.2021.3109012

MAKKAR N， YANG L X， PRASAD S. Adversarial learning based discriminative domain adaptation for geospatial image analysis［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021， 15： 150-162. doi: 10.1109/jstars.2021.3132259http://dx.doi.org/10.1109/jstars.2021.3132259

BEN-DAVID S， BLITZER J， CRAMMER K， et al. Analysis of representations for domain adaptation［C］. Proceedings of the 19th International Conference on Neural Information Processing Systems. 47，2006， Canada. New York： ACM， 2006： 137-144. doi: 10.7551/mitpress/7503.003.0022http://dx.doi.org/10.7551/mitpress/7503.003.0022

VILLANI C. Optimal Transport： Old and New［M］. Berlin： Springer， 2009. doi: 10.1007/978-3-540-71050-9_28http://dx.doi.org/10.1007/978-3-540-71050-9_28

PEYRÉ G， CUTURI M. Computational optimal transport： with applications to data science［J］. Foundations and Trends® in Machine Learning， 2019， 11（5/6）： 355-607. doi: 10.1561/2200000073http://dx.doi.org/10.1561/2200000073

NGUYEN K， NGUYEN D， VU-LE T A， et al. Improving mini-batch optimal transport via partial transportation［EB/OL］. 2021： arXiv： 2108.09645. https：//arxiv.org/abs/2108.09645https://arxiv.org/abs/2108.09645. doi: 10.1109/mapr56351.2022.9924768http://dx.doi.org/10.1109/mapr56351.2022.9924768

ZHANG Y， LIU T， LONG M， et al. Bridging theory and algorithm for domain adaptation［EB/OL］. 2019： arXiv： 1904.05801. https：//arxiv.org/abs/1904.05801https://arxiv.org/abs/1904.05801.

LICCIARDI G， PACIFICI F， TUIA D， et al. Decision fusion for the classification of hyperspectral data： outcome of the 2008 GRS-S data fusion contest［J］. IEEE Transactions on Geoscience and Remote Sensing， 2009， 47（11）： 3857-3865. doi: 10.1109/tgrs.2009.2029340http://dx.doi.org/10.1109/tgrs.2009.2029340

2018 IEEE GRSS Data Fusion Contest ［OL］. Available： http：//www. grss-ieee.org/community/technical-committees/data-fusion/http://www.grss-ieee.org/community/technical-committees/data-fusion/. doi: 10.1109/mgrs.2014.2303201http://dx.doi.org/10.1109/mgrs.2014.2303201

JOACHIMS T. Transductive inference for text classification using support vector machines［C］. International Conference on Machine Learning.2730，1999， Bled， Slovenia. 1999， 99： 200-209.

LONG M S， CAO Y， WANG J M， et al. Learning transferable features with deep adaptation networks［C］. Proceedings of the 32nd International Conference on International Conference on Machine Learning-Volume 37.611，2015， Lille， France. New York： ACM， 2015： 97-105.

GANIN Y， USTINOVA E， AJAKAN H， et al. Domain-adversarial training of neural networks［J］. Advances in Computer Vision and Pattern Recognition， 2017（9783319583464）： 189-209. doi: 10.1007/978-3-319-58347-1_10http://dx.doi.org/10.1007/978-3-319-58347-1_10

DENG B， JIA S， SHI D M. Deep metric learning-based feature embedding for hyperspectral image classification［J］. IEEE Transactions on Geoscience and Remote Sensing， 2020， 58（2）： 1422-1435. doi: 10.1109/tgrs.2019.2946318http://dx.doi.org/10.1109/tgrs.2019.2946318

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于平面补丁的自适应八叉树三维图像重建

基于注意力机制的多尺度车辆行人检测算法

深度特征维纳反卷积用于均匀离焦盲去模糊

多阶段帧对齐的视频超分辨率重建网络

模拟初级视觉皮层增强CNN神经网络结构的稳定性