Deep Metric Learning-basierte Merkmals-Embedding für die Klassifikation hyperspektraler Bilder

Die Klassifikation hyperspektraler Bilder (HSI) unter Verwendung einer begrenzten Anzahl an beschrifteten Proben (Pixeln) bleibt eine zentrale Herausforderung. Um dieses Problem anzugehen, schlagen wir ein tiefes Metrik-Lern- basiertes Merkmals-Embedding-Modell vor, das sowohl für die gleiche- als auch die Kreuzszenen-Klassifikation geeignet ist. Bei der ersten Aufgabe, bei der nur wenige beschriftete Proben zur Verfügung stehen, nutzen wir Konzepte des metrischen Lernens auf Basis tiefer Einbettungsmerkmale und realisieren eine Ähnlichkeitslernung zwischen Paaren von Proben. In diesem Fall kann das vorgeschlagene Modell effektiv lernen, ob zwei Proben der gleichen Klasse angehören. Bei der zweiten Aufgabe, bei der ein zu klassifizierendes HSI-Bild (Zielszene) überhaupt nicht beschriftet ist, kann das Embedding-Modell aus einer anderen ähnlichen HSI-Bild (Quell-Szene) mit ausreichend beschrifteten Proben lernen und anschließend durch eine unsupervisierte Domänenanpassung (Unsupervised Domain Adaptation, UDA) auf die Zielszene übertragen werden. Dabei wird nicht nur ein adversarischer Ansatz verwendet, um die Einbettungsmerkmale aus Quell- und Zielszenen ununterscheidbar zu machen, sondern es wird auch darauf abgezielt, dass die Einbettungen der Zielszene ähnliche Cluster bilden wie die der Quell-Szene. Nach Abschluss der Domänenanpassung zwischen den HSI-Bildern der beiden Szenen kann jeder herkömmliche HSI-Klassifikator eingesetzt werden. Vereinfacht ausgedrückt, wird im Rahmen dieses Artikels der Naive-Nearest-Neighbor-(NN)-Algorithmus als Klassifikator für alle Klassifikationsaufgaben verwendet. Die experimentellen Ergebnisse an einer Reihe gängiger HSI-Datensätze belegen die Vorteile des vorgeschlagenen Modells sowohl für die gleiche- als auch die Kreuzszenen-Klassifikation.