高光谱分类论文解读分享之基于生成对抗性少数过采样的高光谱图像分类

IEEE TGRS 2022:基于生成对抗性少数过采样的高光谱图像分类

题目

Generative Adversarial Minority Oversampling for Spectral--Spatial Hyperspectral Image Classification

作者

Swalpa Kumar Roy , Student Member, IEEE, Juan M. Haut , Senior Member, IEEE, Mercedes E. Paoletti , Senior Member, IEEE, Shiv Ram Dubey , Member, IEEE, and Antonio Plaza , Fellow, IEEE

关键词

Convolutional neural networks (CNNs), deep learning, spectral--spatial hyperspectral image (HSI)

classification.

研究动机

现有方法在将生成对抗网络应用于高光谱影像分类任务时,缺乏对类别不均衡问题的考虑和解决,限制了分类精度。

模型

近年来,卷积神经网络(CNN)在高光谱图像分类中表现出了良好的性能,一般情况下,每类需要大量的样本才能正确地训练CNN。然而,现有的HSI数据集存在严重的类不平衡问题,许多类没有足够的样本来表征光谱信息,现有的CNN模型的性能偏向于拥有更多训练样本的大多数类,本文研究了HSI分类中的数据不平衡问题。特别地,提出了一种新的3D-HyperGAMO模型,该模型采用生成性对抗性少数族裔过采样。该模型利用少数族裔类的已有样本,在训练时自动生成更多的少数族裔类样本。样本以三维高光谱斑块的形式生成。3D-HyperGAMO模型使用不同于生成器和鉴别器的分类器,使用原始样本和生成的样本来训练新生成的样本,以确定它们实际属于的类别。最后,将生成的数据与原始训练数据集进行分类组合,以学习类别的网络参数。最后,将生成的数据与原始训练数据集进行分类组合,以学习类别的网络参数训练好的三维分类器网络使用测试集验证了模型的性能。我们的实验考虑了四个基准HSI数据集,即印第安纳松树(IP)、肯尼迪航天中心(KSC)、帕维亚大学(UP)和博茨瓦纳(BW)。该模型在训练过程中表现出了出色的数据生成能力,显著提高了分类性能。

亮点

提出并构建了一个convex 3-D hyperspectral patch generator unit (PGU)来生成伪样本。

论文以及代码

论文链接: link

代码链接: link

相关推荐
985小水博一枚呀8 分钟前
【深度学习滑坡制图|论文解读3】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer
AltmanChan9 分钟前
大语言模型安全威胁
人工智能·安全·语言模型
985小水博一枚呀13 分钟前
【深度学习滑坡制图|论文解读2】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer·迁移学习
数据与后端架构提升之路22 分钟前
从神经元到神经网络:深度学习的进化之旅
人工智能·神经网络·学习
爱技术的小伙子28 分钟前
【ChatGPT】如何通过逐步提示提高ChatGPT的细节描写
人工智能·chatgpt
深度学习实战训练营2 小时前
基于CNN-RNN的影像报告生成
人工智能·深度学习
昨日之日20064 小时前
Moonshine - 新型开源ASR(语音识别)模型,体积小,速度快,比OpenAI Whisper快五倍 本地一键整合包下载
人工智能·whisper·语音识别
浮生如梦_4 小时前
Halcon基于laws纹理特征的SVM分类
图像处理·人工智能·算法·支持向量机·计算机视觉·分类·视觉检测
深度学习lover4 小时前
<项目代码>YOLOv8 苹果腐烂识别<目标检测>
人工智能·python·yolo·目标检测·计算机视觉·苹果腐烂识别
热爱跑步的恒川5 小时前
【论文复现】基于图卷积网络的轻量化推荐模型
网络·人工智能·开源·aigc·ai编程