摘要
深度神经网络（DNNs）在拥有充足标注样本的情况下，展现出在高光谱图像（HSI）分类任务中的卓越性能。然而，HSI样本的标注过程极为耗时且成本高昂，实际应用中通常面临有限的标注预算。为降低对标注样本的依赖，学术界引入了深度半监督学习（SSL）方法，该方法通过联合利用标注样本与未标注样本进行学习。然而，由于未标注样本存在多种噪声干扰以及其本身固有的模糊性，从中学习鲁棒且具有判别性的特征仍是一项极具挑战性的任务。因此，现有研究的进展主要局限于预训练或预热阶段。本文提出一种深度概率框架，用于生成可靠的伪标签，从而显式地从未标注样本中学习判别性特征。所生成的伪标签可被输入至多种深度神经网络，以提升其泛化能力。本框架仅需每类10个标注样本，即可在隐空间中将标签集建模为一种具有不确定性感知能力的概率分布。随后，针对那些特征值与该分布具有高匹配概率的未标注样本，生成相应的伪标签。在四个公开可用的数据集上开展的大量实验表明，所提出的框架能够生成高质量的伪标签，显著提升多种前沿DNN模型的泛化性能。此外，本文还提出一种新型的用于HSI分类的深度神经网络，在与现有方法的对比中展现出卓越的分类精度。