基于元学习的高光谱噪声鲁棒性分类方法研究

作     者：廖启明 

作者单位：湖南理工学院 

学位级别：硕士

导师姓名：张国云

授予年度：2023年

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

主      题：高光谱图像 标签噪声 小样本学习 鲁棒性学习 元学习 

摘      要：高光谱图像从图像和光谱两个不同角度对地物进行表达,所具有的精细的波长分辨率使其能够更好地捕捉地物的固有属性和光谱特征信息。高光谱图像已广泛应用于地形勘探、环境保护、气候预测、城市规划和特定资源识别等诸多领域。近年来,随着人工智能技术的快速发展,基于深度学习的高光谱图像分类方法已成为遥感领域的研究热点之一。然而,有监督的高光谱图像分类算法的性能往往取决于大量高质量的样本数据。现实情况中,由于高光谱图像数据标记过程需要大量人力对地物进行调查,特别在多类地物边界处,不可避免地会因主观经验和失误而产生错误标注的标签噪声。同时也因为这种人工标记方式成本昂贵而导致的标记样本有限的情况。因此,如何从标签噪声和小样本条件中学习到一个鲁棒的分类器已成为高光谱图像分类研究中的一个重要且具挑战性的问题。为解决上述问题,主要研究工作和创新成果如下:(1)针对高光谱图像中存在的标签噪声问题,本文提出了一种基于正负学习的自适应重加权框架。该框架通过元权重网络与基础分类网络相互迭代更新来实现元学习自适应重加权。正负学习策略主要是利用样本筛选模块对样本进行筛选,得到置信样本集和离群样本集,并设计相应的正负损失来训练元权重网络。在基础分类网络的训练中,利用元权重网络自适应地调整样本权重,从而提高分类器在标签噪声环境下的鲁棒性。该方法能够有效地解决高光谱图像中的标签噪声问题,并在多个数据集上进行了验证,性能优于现有的传统的标签噪声鲁棒性学习算法。(2)针对高光谱图像中存在的小样本问题,提出了一种联合半监督和样本重加权的高光谱小样本分类方法。该算法利用小样本训练集预训练一个分类器对训练集周围的未标记样本进行预测,实现样本扩充。同时利用基于超像素分割的样本清洗模块对扩充样本进行样本清洗。最后结合元学习自适应重加权进一步提升分类网络标签噪声鲁棒性。该方法性能优于现有的基于SVM的小样本学习算法和半监督算法的性能,有效的提升了分类网络面对小样本环境的鲁棒性能。