Few-Shot Learning With Class-Covariance Metric for Hyperspectral Image Classification

人工智能 计算机科学 模式识别(心理学) 高光谱成像 协方差 公制(单位) 班级(哲学) 一次性 图像处理 上下文图像分类 计算机视觉 数学 图像(数学) 统计 工程类 机械工程 运营管理 经济
作者
Bobo Xi,Jiaojiao Li,Yunsong Li,Rui Song,Danfeng Hong,Jocelyn Chanussot
出处
期刊:IEEE transactions on image processing [Institute of Electrical and Electronics Engineers]
卷期号:31: 5079-5092 被引量:39
标识
DOI:10.1109/tip.2022.3192712
摘要

Recently, embedding and metric-based few-shot learning (FSL) has been introduced into hyperspectral image classification (HSIC) and achieved impressive progress. To further enhance the performance with few labeled samples, we in this paper propose a novel FSL framework for HSIC with a class-covariance metric (CMFSL). Overall, the CMFSL learns global class representations for each training episode by interactively using training samples from the base and novel classes, and a synthesis strategy is employed on the novel classes to avoid overfitting. During the meta-training and meta-testing, the class labels are determined directly using the Mahalanobis distance measurement rather than an extra classifier. Benefiting from the task-adapted class-covariance estimations, the CMFSL can construct more flexible decision boundaries than the commonly used Euclidean metric. Additionally, a lightweight cross-scale convolutional network (LXConvNet) consisting of 3-D and 2-D convolutions is designed to thoroughly exploit the spectral-spatial information in the high-frequency and low-frequency scales with low computational complexity. Furthermore, we devise a spectral-prior-based refinement module (SPRM) in the initial stage of feature extraction, which can not only force the network to emphasize the most informative bands while suppressing the useless ones, but also alleviate the effects of the domain shift between the base and novel categories to learn a collaborative embedding mapping. Extensive experiment results on four benchmark data sets demonstrate that the proposed CMFSL can outperform the state-of-the-art methods with few-shot annotated samples.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI

祝大家在新的一年里科研腾飞
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
不会游泳的鱼完成签到 ,获得积分10
4秒前
顺遂完成签到,获得积分10
6秒前
满意沛槐完成签到 ,获得积分10
7秒前
9秒前
小飞发布了新的文献求助10
14秒前
小杨爱吃羊完成签到 ,获得积分10
19秒前
怡然奄应助科研通管家采纳,获得10
28秒前
OnionJJ完成签到,获得积分10
32秒前
顺利的冰旋完成签到 ,获得积分10
33秒前
34秒前
晒月亮的吉他完成签到,获得积分10
36秒前
乐乐应助小哈采纳,获得10
39秒前
43秒前
斯文起眸发布了新的文献求助10
49秒前
50秒前
54秒前
小哈发布了新的文献求助10
55秒前
852应助ffx采纳,获得10
56秒前
呐呐完成签到,获得积分10
56秒前
David完成签到,获得积分10
57秒前
871624521完成签到 ,获得积分10
1分钟前
呆萌芙蓉完成签到 ,获得积分10
1分钟前
今后应助斯文起眸采纳,获得10
1分钟前
1分钟前
ffx发布了新的文献求助10
1分钟前
zcc完成签到 ,获得积分10
1分钟前
zzz完成签到,获得积分10
1分钟前
xiaoyi完成签到 ,获得积分10
1分钟前
liuminghui发布了新的文献求助10
1分钟前
Percy完成签到 ,获得积分10
1分钟前
首席或雪月完成签到,获得积分10
1分钟前
kosmos完成签到,获得积分10
1分钟前
huangzsdy完成签到,获得积分10
1分钟前
吹又生完成签到,获得积分10
1分钟前
战神林北完成签到,获得积分10
1分钟前
阿伟完成签到,获得积分10
1分钟前
寄托完成签到 ,获得积分10
2分钟前
2分钟前
2分钟前
2分钟前
高分求助中
Востребованный временем 2500
Production Logging: Theoretical and Interpretive Elements 2000
Agaricales of New Zealand 1: Pluteaceae - Entolomataceae 1500
Early Devonian echinoderms from Victoria (Rhombifera, Blastoidea and Ophiocistioidea) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 1000
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 1000
The moderating role of collaborative capacity in the relationship between ecological niche-fitness and innovation investment: an ecosystem perspective 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 细胞生物学 免疫学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3369110
求助须知:如何正确求助?哪些是违规求助? 2987962
关于积分的说明 8729425
捐赠科研通 2670684
什么是DOI,文献DOI怎么找? 1463042
科研通“疑难数据库(出版商)”最低求助积分说明 677077
邀请新用户注册赠送积分活动 668248