Deep Relation Network for Hyperspectral Image Few-Shot Classification

2024-03-23 10:40

本文主要是介绍Deep Relation Network for Hyperspectral Image Few-Shot Classification,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!

Remote Sens. 2020, 12(6), 923;
1、摘要
这篇文章旨在探索如何仅使用少量标记样品对新的高光谱图像进行准确分类。使用元学习(meta-learning)来训练分类器。本文提出的方法能够用少量的样本达到很好的分类效果,主要基于以下两个原因:第一,使用元学习策略来设计特征学习模块和关系学习模块;第二,本文提出的分类器能够持续的从大量不同的样本中学习如何增强自己的学习能力。
2、方法
1)few-shot classification
论文提出的针对于小样本的分类方法共分为三个步骤。首先,使用元学习的方法在source data set上训练整个模型,文章中的source data set使用的是Houston,Botswana, KSC,Chikusei四个高光谱图像;然后使用与source data set不同的数据集target data set(UP,PC,Salinas),从中选取少量的样本作为fine-tuning data set(同时也是few-shot 小样本)来对第一步训练的模型进行微调;最后,target data set剩余的数据作为测试数据检验整个模型的分类效果。
在这里插入图片描述
2)meta-learning
元学习也可以被视为传递特征知识的学习过程。它是一个基于任务的学习策略。一个任务可以分为a support set 和 a query set。在source data set上使用元学习方法,假设source data set共有Csrc个类,元学习的一个任务就是从中选取C个类,在这C个类中每类选取K个样本作为support set,每类N个样本作为query set,(K<<N。保证是few-shot),同时还要满足C<Csrc,这样才能有充分多的任务来保证网络的稳定性。经过以上步骤,就形成了建立在source data上的C-way K-shot N-query学习任务。
Task-based learning strategy used in meta-learning

3)Relation Network Model
本文提出的高光谱图像的小样本分类元学习共包含三个部分,特征提取、特征融合、关系学习。
在这里插入图片描述
其中,特征提取部分采用三维卷积网络,网络结构如下图4所示
在这里插入图片描述
卷积核的大小为3 × 3 × 3,个数从8到16,再到32。假设来自support set 和query set的样本分别为Xi和Xj,经过特征提取后,提取到的特征为f(Xi)和f(Xj), f(Xi)和f(Xj)在深层维度进行特征融合,融合后称为C(f(Xi),f(Xj))。最后是关系学习模块,关系学习模块的目的是将每个融合C(f(Xi),f(Xj))映射到测量两个样本之间的相似性的关系参数上。这一部分采用2维卷积网络,网络结构如下图5所示。当两个样本属于同一类时,relation score接近于1,否则的话是0.
在这里插入图片描述
3、结论
本文提出了一种基于关联网络的HSI小样本分类方法。 元学习是该方法的核心,网络设置实现了在深度度量空间中以比较形式学习如何学习的能力,也就是说,属于同一类别的样本之间的关系得分很高,而属于不同类别的样本之间的关系得分较低。受益于从不同数据集生成的大量任务,该模型的泛化能力不断增强。 在三种不同的目标数据集上进行的实验表明,在只有少数标记样本可用的情况下,该方法优于传统的半监督SVM和半监督深度学习方法。
,

这篇关于Deep Relation Network for Hyperspectral Image Few-Shot Classification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/838061

相关文章

poj 2349 Arctic Network uva 10369(prim or kruscal最小生成树)

题目很麻烦,因为不熟悉最小生成树的算法调试了好久。 感觉网上的题目解释都没说得很清楚,不适合新手。自己写一个。 题意:给你点的坐标,然后两点间可以有两种方式来通信:第一种是卫星通信,第二种是无线电通信。 卫星通信:任何两个有卫星频道的点间都可以直接建立连接,与点间的距离无关; 无线电通信:两个点之间的距离不能超过D,无线电收发器的功率越大,D越大,越昂贵。 计算无线电收发器D

lvgl8.3.6 控件垂直布局 label控件在image控件的下方显示

在使用 LVGL 8.3.6 创建一个垂直布局,其中 label 控件位于 image 控件下方,你可以使用 lv_obj_set_flex_flow 来设置布局为垂直,并确保 label 控件在 image 控件后添加。这里是如何步骤性地实现它的一个基本示例: 创建父容器:首先创建一个容器对象,该对象将作为布局的基础。设置容器为垂直布局:使用 lv_obj_set_flex_flow 设置容器

SAM2POINT:以zero-shot且快速的方式将任何 3D 视频分割为视频

摘要 我们介绍 SAM2POINT,这是一种采用 Segment Anything Model 2 (SAM 2) 进行零样本和快速 3D 分割的初步探索。 SAM2POINT 将任何 3D 数据解释为一系列多向视频,并利用 SAM 2 进行 3D 空间分割,无需进一步训练或 2D-3D 投影。 我们的框架支持各种提示类型,包括 3D 点、框和掩模,并且可以泛化到不同的场景,例如 3D 对象、室

速通GPT-3:Language Models are Few-Shot Learners全文解读

文章目录 论文实验总览1. 任务设置与测试策略2. 任务类别3. 关键实验结果4. 数据污染与实验局限性5. 总结与贡献 Abstract1. 概括2. 具体分析3. 摘要全文翻译4. 为什么不需要梯度更新或微调⭐ Introduction1. 概括2. 具体分析3. 进一步分析 Approach1. 概括2. 具体分析3. 进一步分析 Results1. 概括2. 具体分析2.1 语言模型

图神经网络框架DGL实现Graph Attention Network (GAT)笔记

参考列表: [1]深入理解图注意力机制 [2]DGL官方学习教程一 ——基础操作&消息传递 [3]Cora数据集介绍+python读取 一、DGL实现GAT分类机器学习论文 程序摘自[1],该程序实现了利用图神经网络框架——DGL,实现图注意网络(GAT)。应用demo为对机器学习论文数据集——Cora,对论文所属类别进行分类。(下图摘自[3]) 1. 程序 Ubuntu:18.04

深度学习--对抗生成网络(GAN, Generative Adversarial Network)

对抗生成网络(GAN, Generative Adversarial Network)是一种深度学习模型,由Ian Goodfellow等人在2014年提出。GAN主要用于生成数据,通过两个神经网络相互对抗,来生成以假乱真的新数据。以下是对GAN的详细阐述,包括其概念、作用、核心要点、实现过程、代码实现和适用场景。 1. 概念 GAN由两个神经网络组成:生成器(Generator)和判别器(D

Deep Ocr

1.圈出内容,文本那里要有内容.然后你保存,并'导出数据集'. 2.找出deep_ocr_recognition_training_workflow.hdev 文件.修改“DatasetFilename := 'Test.hdict'” 310行 write_deep_ocr (DeepOcrHandle, BestModelDeepOCRFilename) 3.推理test.hdev

Neighborhood Homophily-based Graph Convolutional Network

#paper/ccfB 推荐指数: #paper/⭐ #pp/图结构学习 流程 重定义同配性指标: N H i k = ∣ N ( i , k , c m a x ) ∣ ∣ N ( i , k ) ∣ with c m a x = arg ⁡ max ⁡ c ∈ [ 1 , C ] ∣ N ( i , k , c ) ∣ NH_i^k=\frac{|\mathcal{N}(i,k,c_{

F12抓包05:Network接口测试(抓包篡改请求)

课程大纲         使用线上接口测试网站演示操作,浏览器F12检查工具如何进行简单的接口测试:抓包、复制请求、篡改数据、发送新请求。         测试地址:https://httpbin.org/forms/post ① 抓包:鼠标右键打开“检查”工具(F12),tab导航选择“网络”(Network),输入前3项点击提交,可看到录制的请求和返回数据。

OpenSNN推文:神经网络(Neural Network)相关论文最新推荐(九月份)(一)

基于卷积神经网络的活动识别分析系统及应用 论文链接:oalib简介:  活动识别技术在智能家居、运动评估和社交等领域得到广泛应用。本文设计了一种基于卷积神经网络的活动识别分析与应用系统,通过分析基于Android搭建的前端采所集的三向加速度传感器数据,对用户的当前活动进行识别。实验表明活动识别准确率满足了应用需求。本文基于识别的活动进行卡路里消耗计算,根据用户具体的活动、时间以及体重计算出相应活