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