コラボラティブラーニングおよびアテンション機構を活用した生成的対抗ネットワークによる高スペクトル画像分類

限られたサンプルを用いたハイパースペクトル画像（HSI）の分類は、依然として大きな課題である。生成的対抗ネットワーク（GAN）は、サンプル数の少なさという問題を緩和する有望な手法として注目されている。GANは、生成器と識別器の間で競争を行うことで、新たなサンプルを生成する。しかし、空間的・スペクトル的分布が複雑なHSIに対しては、高品質なサンプルを生成することが困難であり、その結果、識別器の性能がさらに低下する可能性がある。この問題に対処するため、協調学習と注目メカニズムを統合した対称的畳み込みGAN（CA-GAN）を提案する。CA-GANでは、生成器と識別器が単なる競争関係を超えて、協調的に機能する。識別器内の実際の多クラスサンプルの浅層から深層までの特徴情報が、生成器におけるサンプル生成を支援する。生成器側では、マルチブランチ畳み込みネットワークに基づく動的活性化関数を定義し、空間的・スペクトル的ハード注目モジュールを構築した。このモジュールにより、生成されたサンプルの分布が実際のHSIの分布と、スペクトル的および空間的両次元においてより近似されるとともに、誤解を招くまたは混同を引き起こす情報を効果的に排除する。一方、識別器側では畳み込みLSTM層を導入し、空間的な文脈特徴を抽出するとともに、長期的なスペクトル依存関係を捉えることができる。最終的に、識別器と生成器の間における競争的かつ協調的な学習を強制することで、識別器の分類性能が向上する。実験結果は、複数のHSIデータセットにおいて、特に訓練サンプル数が限られた状況下でも、CA-GANが最先端手法と比較して優れた分類性能を達成していることを示している。