Apprentissage profond de métriques pour l'intégration de caractéristiques basée sur l'apprentissage de métriques pour la classification d'images hyperspectrales

L’apprentissage à partir d’un nombre limité d’échantillons étiquetés (pixels) reste un défi majeur dans la classification des images hyperspectrales (HSI). Pour relever ce défi, nous proposons un modèle d’encodage de caractéristiques basé sur l’apprentissage métrique profond, capable de traiter efficacement à la fois les tâches de classification intra-scène et inter-scène. Dans la première tâche, lorsque seuls quelques échantillons étiquetés sont disponibles, nous exploitons les principes de l’apprentissage métrique fondés sur des caractéristiques d’encodage profond, en mettant l’accent sur l’apprentissage de la similarité entre paires d’échantillons. Dans ce cadre, le modèle proposé apprend de manière efficace à déterminer si deux échantillons appartiennent à la même classe. Dans la seconde tâche, lorsque l’image HSI à classer (scène cible) ne dispose d’aucune étiquette, le modèle d’encodage peut tirer parti d’une autre image HSI (scène source) similaire, riche en échantillons étiquetés, puis transférer ses connaissances vers la scène cible via une technique d’adaptation de domaine non supervisée. Cette approche combine une méthode adversarielle afin de rendre indiscernables les caractéristiques d’encodage issues de la scène source et de la scène cible, tout en encourageant les représentations de la scène cible à former des clusters similaires à ceux de la scène source. Une fois l’adaptation de domaine entre les deux scènes HSI accomplie, tout classificateur traditionnel d’images hyperspectrales peut être utilisé. Dans une approche simple, l’algorithme du plus proche voisin (NN) est choisi comme classificateur pour les tâches de classification dans toute cette étude. Les résultats expérimentaux obtenus sur une série d’images hyperspectrales populaires démontrent clairement les avantages du modèle proposé dans les deux contextes, tant pour la classification intra-scène que pour la classification inter-scène.