Hyperspektrale Bildklassifizierung mit tiefem Metriklearning und bedingtem Markowfeld

Um die Klassifikationsleistung im Kontext der Hyperspektralbildverarbeitung zu verbessern, wurden viele Arbeiten anhand zweier gängiger Strategien entwickelt, nämlich der Integration von räumlich-spektralen Informationen und der Nutzung neuronaler Netze. Beide Strategien erfordern jedoch in der Regel mehr Trainingsdaten als klassische Algorithmen, was das Problem des Mangels an etikettierten Stichproben verstärkt. In diesem Brief schlagen wir ein neues Framework vor, das das spektrumbasierte Deep-Metric-Learning-Modell und den konditionellen Zufallsfeldalgorithmus (Conditional Random Field) organisch kombiniert. Das Deep-Metric-Learning-Modell wird durch den Center Loss überwacht, um spektrumbasierte Merkmale zu erzeugen, die innerhalb der Klassen enger im euklidischen Raum zusammenrücken. Der konditionelle Zufallsfeldalgorithmus mit Gaußschen Kantenzwischenpotenzialen, der zunächst für Bildsegmentierungsaufgaben vorgeschlagen wurde, wird eingeführt, um eine pixelweise Klassifikation des Hyperspektralbildes durch die Nutzung sowohl geografischer Distanzen zwischen Pixeln als auch euklidischer Distanzen zwischen den vom Deep-Metric-Learning-Modell erzeugten Merkmalen durchzuführen. Das vorgeschlagene Framework wird während der Phase des Deep-Metric-Learnings durch spektrale Pixel trainiert und nutzt während der Phase des konditionellen Zufallsfeldes halb manuell erstellte räumliche Merkmale. Diese Vorgehensweise lindert das Problem des Mangels an Trainingsdaten bis zu einem gewissen Grad. Experimente mit zwei echten Hyperspektralbildern zeigen die Vorteile der vorgeschlagenen Methode hinsichtlich sowohl der Klassifikationsgenauigkeit als auch des Rechenaufwands.