摘要
从少量标注样本（像素）中学习，仍是高光谱图像（HSI）分类领域面临的关键挑战。为应对这一问题，本文提出一种基于深度度量学习的特征嵌入模型，该模型能够同时适用于同场景与跨场景的高光谱图像分类任务。在同场景分类任务中，当仅有少量标注样本可用时，我们借鉴基于深度嵌入特征的度量学习思想，通过学习样本对之间的相似性来增强模型判别能力。在此设定下，所提出的模型能够有效学习判断两个样本是否属于同一类别。在跨场景分类任务中，当待分类的高光谱图像（目标场景）完全无标注时，该嵌入模型可利用另一幅具有充足标注样本的相似高光谱图像（源场景）进行学习，并通过无监督域自适应技术将知识迁移至目标场景。该方法不仅采用对抗性策略使源场景与目标场景的嵌入特征难以区分，还促使目标场景的嵌入结果与源场景形成相似的聚类结构。完成两个场景间高光谱图像的域自适应后，即可使用任意传统高光谱分类器进行最终分类。为简化起见，本文在所有实验中均采用最近邻（NN）算法作为分类器。在一系列主流高光谱数据集上的实验结果表明，所提出的模型在同场景与跨场景分类任务中均展现出显著优势。