【论文标题】Few-Shot Hyperspectral Image Classification With Unknown Classes Using Multitask Deep Learning 【作者团队】Shengjie Liu, Qian Shi, Senior Member, IEEE，Liangpei Zhang 【发表时间】2020/9/8 【论文链接】https://arxiv.org/abs/2009.03508 【代码链接】https://sjliu.me/MDL4OW 【推荐理由】 本文来自中山大学石茜副教授团队，该论文针对未知类别的小样本高光谱图像分类问题，首次提出一种新颖的多任务深度卷积网络分类方法。 现有的高光谱图像分类方法都假设和预定义图像分类系统是封闭且完整的，并在不可见的数据中没有未知的或新的图像类别。然而，这个假设对于现实世界来说可能过于严格，在构建分类系统时，通常会忽略新的类别。分类系统的封闭性会迫使模型在给定新样本的情况下指定标签，并可能导致对已知样本的标签(如作物面积)的覆盖。为了解决这个问题，本文提出一种多任务深度学习方法，该方法可以在未知类别可能存在的开放世界(MDL4OW)中同时进行分类和重构。将重构数据与原始数据进行比较;且未被重构的数据被认为是未知的，并且由于缺少分类标签，这些重构数据在潜在特征中没有被很好地表示，故需要定义一个阈值来区分未知类别和已知类别；基于此，本文提出了两种基于极值理论的策略，分别用于少样本和多样本学习场景。该方法在真实高光谱图像上的测试结果获得了最优的结果，如在萨利纳斯数据的测试结果中使分类的整体精度提高了4.94%。通过考虑开放世界中未知类别的存在，该方法实现了在小样本背景下的更精确的高光谱图像分类。 图1 ：基于多任务深度卷积神经网络的高光谱图像分类流程图 本文主要贡献如下： 1. 针对未知类别的高光谱图像分类问题，本文提出了一种新的多任务深度卷积神经网络学习方法MDL4OW。该方法能够识别未知小样本图像类别，显著提高高光谱图像分类精度； 2. 本文提出的方法使用统计模型极值理论来估计所有数据的未知分数，而不是使用基于质心的方法以分类的方式来估计未知分数。因此该方法在小样本高光谱图像分类方面优于现有的开放集图像分类方法； 3. 本文针对未知类别的高光谱图像分类精度问题，提出了一种新的评价指标—映射误差，这种度量指标对不平衡分类特别敏感，非常适用于高光谱图像分类问题。

内容中包含的图片若涉及版权问题，请及时与我们联系删除