高光谱图像聚类的像素-超像素对比学习与伪标签校正

2024-06-08 16:36

本文主要是介绍高光谱图像聚类的像素-超像素对比学习与伪标签校正,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Pixel-Superpixel Contrastive Learning and Pseudo-Label Correction for Hyperspectral Image Clustering

文章目录

  • Pixel-Superpixel Contrastive Learning and Pseudo-Label Correction for Hyperspectral Image Clustering
    • 摘要
    • 引言
    • 相关方法
      • 对比学习
    • 方法
      • 超像素对比学习
      • 像素级对比学习
      • 伪标签校正

摘要

本文提出了一种新的高光谱图像(HSI)聚类方法,名为像素-超像素对比学习与伪标签校正(PSCPC)。该方法结合了像素级和超像素级的对比学习,通过超像素捕获领域特定的细粒度特征,并在超像素内部对少量像素进行比较学习。PSCPC通过一个伪标签校正模块来对齐像素级和超像素级的聚类伪标签,使用像素级聚类结果来指导超像素级聚类,从而提高模型的泛化能力。

引言

硬件成像技术的快速发展,特别是高光谱遥感技术,它使用纳米级成像光谱仪对地面物体进行多波段的同时成像。HSI包含了丰富的空间、辐射和光谱信息,使得图像分析和处理领域中的地面物体分类成为一个重要的研究方向。由于在实际应用中获取大量标记训练样本是困难的,因此无监督分类或聚类方法得到了广泛应用。传统聚类算法在高维数据聚类任务中存在局限性,深度学习结合传统聚类算法的深度聚类算法能够更好地利用HSI的光谱和空间信息。

  • 文章的主要贡献

提出了一种新颖的HSI聚类方法PSCPC,它同时关注硬正样本和硬负样本对。
设计了一个综合的相似性度量标准,考虑了属性和结构信息,以更好地揭示样本之间的关系。
在高置信度聚类信息的指导下,提出了一种样本权重调节策略,动态增加硬样本对的权重,同时减少容易样本的权重。
在六个数据集上的广泛实验结果证明了PSCPC方法的优越性和有效性。
在这里插入图片描述

相关方法

对比学习

物体具有某些一般特征,对比学习学习这样的特征,具有很强的可迁移性,在无标签数据的聚类中能够取得很好的效果。对比学习算法的核心思想是利用样本信息生成监督信号,通过不断缩短正样本之间的距离、推开负样本之间的距离来提取更好的模态特征。构建正负样本并提取特征后,需要设置损失函数来减小表示空间中正例对之间的距离。损失函数一般采用InfoNCE损失

方法

超像素对比学习

HSI研究的先验知识表明,高光谱数据包含丰富的局部空间结构信息和一定的同质性[17],在超像素级别执行任务有助于节省资源并更好地聚合空间信息。超像素是图像分割的结果;每个超像素是一组具有相似属性的像素。尺度参数估计(ESP)方法[24]用于遥感数据的图像分割。
超像素的特征是编码器提取的像素特征图的平均值。

像素级对比学习

HSI聚类的本质是将相似的像素划分为更接近的簇。因此,改进像素级表示学习可以提高聚类精度,因为它鼓励空间上接近的像素具有相似的表示。为了获得平滑的特征和精细的分类,我们提出了一种像素级对比学习方法。由于超像素中的大部分像素属于同一类,为了节省计算资源,我们在每个超像素中随机选择m个像素与超像素特征H进行比较。

伪标签校正

与像素级聚类相比,由于超像素级任务的输入规模较大,聚类的精细度较低。此外,超像素级对比损失将除最接近的k个样本之外的所有样本视为负样本,这可能会分离相似的样本并破坏聚类结构。为了提高聚类模型的鲁棒性,我们提出了伪标签校正模块。具体来说,每个超像素有两个标签。首先,直接使用k均值聚类算法来获得每个超像素的预测标签。其次,对于超像素中的M个像素,根据聚类结果计算该超像素的伪标签ˆy,即各类像素所占的比例。为了避免预测结果过于绝对,这里的预测标签和伪标签都是软标签。伪标签校正模块的目的是保证两种方法得到的结果一致。

在这里插入图片描述

这篇关于高光谱图像聚类的像素-超像素对比学习与伪标签校正的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1042716

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识