Hyperspectral Image Classification Based on Improved Semantic AutoEncoder Network in Unbalanced Small-Sized Labeled Samples
-
摘要:
为了提升不均衡少标签样本下高光谱图像分类性能，本文提出了一种改进的语义自动编码网络，该网络首先将高光谱的类别标签信息引入到语义自编码网络模型中，通过将不同数据集的原始数据及标签信息分别映射至同一特征空间以建立已知类别和未知类别的关联，然后将该对应关系应用于未知数据集进行标签推理，并构建基于图正则化项的目标函数以保存数据集中特征流形结构，最后采用交替方向乘子法将全局问题分解为多个较小、较容易求解的局部子问题，最终获得全局最优解。实验选取3个具有不同的光谱维度、光谱带数量和土地覆盖类型的高光谱数据集进行处理，可以满足实验数据的多样性。结果表明，本文所提方法的分类结果具有较高的分类精度，其分类结果与基准结果比较相近，适合工程上对非均衡高光谱图像数据分类。
Abstract:To improve the classification performance of hyperspectral images with unbalanced, few-labeled samples, an improved semantic autoencoder network is proposed in this paper. This network first introduces hyperspectral category-label information into the semantic autoencoder model, establishing the association between known and unknown categories by mapping the original data and label information of different datasets to the same feature space. It then maps the training dataset features to the unified embedding space to learn the correspondence between the visual features and the semantic features of the category labels. Finally, an objective function based on a graph regularization term is constructed to preserve the feature manifold structure in the dataset, and the global problem is decomposed into several smaller, more manageable local subproblems using the alternating direction multiplier method to obtain the global optimal solution. Three hyperspectral datasets with different spectral dimensions, numbers of spectral bands, and land cover types were selected to ensure the diversity of the experimental data. The results showed that the proposed method achieved better classification accuracy with a small number of labeled samples compared with other state-of-the-art methods, making it suitable for the engineering classification of unbalanced hyperspectral image data.
-
0. 引言
红外线是一种电磁波，波长位于可见光的外端，温度大于绝对零度的物体都在不停地向外辐射红外能量。将入射的红外辐射信号转变为电信号的器件被称为红外探测器，根据其工作方式可以分为制冷和非制冷红外探测器，其中，不需要外加制冷设备的非制冷红外探测器被广泛应用到导弹、枪瞄、无人机等军事领域，以及汽车夜视、监控测温、医疗卫生、气体检测等民用领域，近年来得到快速发展。
非制冷红外探测器要达到正常的探测性能，需要维持真空的工作环境。噪声等效温差（noise equivalent temperature difference，NETD）是探测器的噪声电压与目标温差产生的信号电压相等时对应的温差，反应探测器的灵敏度，当有残余气体存在时，会极大地增加NETD，探测器无法正常工作。探测器真空封装的原理是减少热敏材料与环境的热量交换，更加精确地探测入射的红外辐射能量，封装技术是非制冷红外探测发展的关键技术之一[1-3]，封装的物料及工艺决定着探测器的寿命水平，刘若冰等[4]研究探测器贮存寿命，分析失效机理，通过高低温试验，提出关键参数考核要求，为质量评价提供依据；石新民等[5]研究红外探测器杜瓦真空寿命，分析杜瓦漏气、材料放气等因素，提出降低漏率、选择合适材料等措施以延长寿命。本文通过研究非制冷红外探测器封装所用吸气剂及胶水材料，提出维持探测器内部真空度，延长寿命的方法。
1. 非制冷红外探测器及真空寿命模型简介
1.1 探测器结构
非制冷红外探测器常见陶瓷封装结构[6]如图 1所示，主要由窗口、可伐框、吸气剂、管壳（陶瓷烧结、银铜焊引脚）几部分组成。
窗口是外界红外信号的光学接口，主要材料为锗或硅，通过对窗口膜层的设计、材料选择，或者在表面进行微结构设计，保证8~14 μm波长光的高透过和其他波段光的截止。同时窗口通过焊接，与可伐、管壳形成气密性封装，提供芯片工作的真空环境。
可伐框的材料为kovar合金，其作用是匹配窗口和管壳之间的热膨胀系数，同时减小窗口尺寸，提升窗口的机械冲击和振动的强度，从而提升组件可靠性。
吸气剂是通过一定的物理和化学作用后能有效吸附气体的材料，通过激活处理后才能获得活性表面[7]。非制冷红外探测器中利用磁控溅射或蒸镀等工艺将吸气材料镀制到金属材料上，对金属材料通电加热来达到激活吸气剂的目的。吸气剂用于吸收封装腔体内各组件在长期使用、存放过程中缓慢释放的少量气体，保证腔体的真空度和器件寿命。
陶瓷管壳的材料多为氧化铝或氮化铝，作为探测器芯片的载体，能够实现芯片与外部系统连接的机械接口和电气接口，同时管壳也是芯片散热的主要通道。
非制冷红外陶瓷探测器封装的主要工艺流程包括：芯片粘贴（chip bonding），芯片通过胶水粘接固定到管壳上，胶水中含有挥发性成分，是探测器内部的主要气源，对于胶水的选取影响着探测器的真空寿命；金丝键合（wire bonding），通过金线实现芯片和管壳的电连接，键合完成后会对金丝进行拉力测试，保证键合的可靠性；封窗焊接，窗口、可伐、管壳通过焊料在共晶炉完成共晶焊接，形成探测器内部的真空环境，焊接完成后进行漏率检测，探测器漏率也影响着其真空寿命；吸气剂激活，对管壳与吸气剂相连的引脚进行通电，使吸气剂获得活性表面，维持器件寿命。
工艺和结构对探测器内部真空度的影响主要分为以下几个方面：内部材料释放气体、壳体外部渗透气体、抽取真空残留气体、吸气材料性能好坏。内部材料释放气体是探测器内部的主要气源，包括挥发性气体释放和表面气体解吸附，挥发性气体由封装过程中环氧胶的受热分解引入，表面气体主要是封装过程中溶解和吸附于探测器内部的气体；壳体外部渗透气体包括封装材料漏气和焊接部位漏气，材料漏气通常是陶瓷管壳由于布线、生产工艺偏差引入，焊接漏气则是取决于共晶焊过程中温度、时间等参数的控制，壳体外部渗透气体可通过漏率检测进行管控；抽取真空残留气体主要是探测器内部真空形成时，共晶焊排气不充分引入；吸气剂性能好坏则主要影响探测器内部气体的吸入，其决定因素包括吸气材料的选择、吸气面积的设计和激活工艺中温度电流的设置。
1.2 真空寿命模型
一般而言，红外探测器的存储时间与温度密切相关，温度越高，原子的平均能量就越大，产品内部基本粒子运动加快，促使产品提前失效。阿列尼乌斯模型（Arrhenius）[8]常用于描述温度加速应力与产品特征寿命之间的关系，公式如下：
$$ \eta = A\exp (\frac{{{E_\mathrm{a}}}}{{kT}}) $$ (1) 式中：T为温度加速应力水平（单位：K）；η为产品在温度加速应力T作用下的特征寿命；A为常数；Ea为激活能，与发生失效模式的材料本身有关；k为玻尔兹曼常数，k＝1.38×10－23 J/K；
对上式两边取对数，可得线性化的Arrhenius模型：
$$ lnη＝a+bϕ(T) $$ (T) 式中：a＝lnA；b＝Ea/k；ϕ(T)＝1/T。即温度越高，产品失效的速度越快。信号传递函数（signal transfer function，SiTF）也是评价非制冷红外探测器的关键技术参数，其与NETD负相关。根据阿列尼乌斯模型，由于市场上常规非制冷红外探测器的寿命一般为10年左右，为缩短实验时间，本文在加速寿命实验时采用电子元器件在进行寿命评估时常用Arrhenius公式的外推规律“十度减半”法则[9]，由于实验所用探测器焊料熔点为144℃，在不影响探测器状态的前提下，温度加速应力水平设置为120℃，进行加速老化，通过测试探测器第5天、7天、10天的SiTF，去评估影响探测器7年、10年、14年真空寿命的因素。
2. 真空寿命影响因素实验
根据前文探测器封装工艺和结构对其真空寿命影响因素的分析本文通过控制其他变量主要从挥发性气体释放、吸气剂面积两方面展开关于真空寿命影响因素的研究。
2.1 实验样品状态
实验所采用非制冷红外探测器均为陶瓷探测器，探测器封装形式为PGA（pin grid array），尺寸为32 mm×32 mm×5 mm（不含引脚）。材料方面，管壳材料为氧化铝，可伐框材料为4J29合金，窗口材料为锗，芯片贴装材料为环氧胶，吸气剂材料为锆。工艺方面，芯片粘贴选用“米”字形点胶图案，共晶焊之前通过200℃、48 h的真空烘烤控制探测器内部气体，实验所用探测器在共晶焊过程中采用相同程序和设备，使用通电的方式对吸气剂进行激活，激活条件为4 A、25 min，最后会对探测器进行漏率检测，检测方式及结果如下。
非制冷红外陶瓷探测器封装完成后，通过漏率检测评估其气密性，常用的检测方式为He质谱检漏[10]，其工作原理如图 2所示，He气分子尺寸小、空气中含量少且具有较强的渗透性，常被用做检漏气体。检漏过程中先将探测器放入3 atm压强的环境中压入He气，对探测器表面进行吹扫处理去除表面吸附的He气后，再利用泄漏口外的吸气探头来探测泄漏气体中的He气，通过检测气体中He的信号强度，判断探测器的漏率等级。
实验中所用探测器的封装内腔体积为1600 cm2，根据GJB548B-2005方法1014.2密封标准的规定[11]，探测器的漏率需要小于5×10－9(Pa·m3)/s。实验中探测器在共晶焊工艺完成后均经过He质谱检漏，漏率等级满足规定要求，具体探测器的漏率检测数据如表 1所示，可排除封装漏气对实验的影响。
表 1 探测器漏率检测结果Table 1. Detector leakage rate test resultsDetector number 1 2 3 4 5 6 Leak rate/(Pa ⋅m3⋅s-1) 3.8×10-10 7.1×10-10 2.1×10-10 2.6×10-10 3.8×10-10 6.4×10-10 Detector number 7 8 9 10 11 12 Leak rate/(Pa ⋅m3⋅s-1) 3.5×10-10 6.1×10-10 3.9×10-10 7.1×10-10 4.6×10-10 5.3×10-10 Detector number 13 14 15 16 17 18 Leak rate/(Pa ⋅m3⋅s-1) 6.6×10-10 4.5×10-10 6.8×10-10 7.2×10-10 2.8×10-10 3.5×10-10 2.2 吸气剂面积影响
实验中在控制胶水、点胶量及其他工艺参数相同的情况下，吸气剂选用片状薄膜式吸气剂，采用相同的激活电流与激活时间，将吸气剂尺寸、数量作为变量共设置3类探测器。
探测器检漏后进行SiTF初测，测试完成后放置于120℃的烘箱中进行加速寿命实验，记录放置时间，在第5天、7天、10天3个时间节点分别将探测器取出进行测试，记录SiTF参数的变化，实验中将SiTF变化超过15%定义为探测器失效，实验结果如表 2所示。对不同吸气剂面积探测器老化后的平均SiTF变化率统计如图 3所示。实验结果显示，1、4、7号探测器在7年老化时性能正常，在10年老化后平均SiTF变化率达到－25.41%，探测器失效，并且随着老化时间的增加，SiTF会进一步下降，14年时变化率达到－33.92%；2、5、8号探测器相对于1、4、7号，吸气剂面积有所增加，在14年时平均SiTF变化率超过－15%，达到－19.85%出现了失效现象；而3、6、9号探测器吸气剂面积充足，老化进行到14年依然能保持正常响应，最终SiTF平均变化率为－2.98%。实验表明吸气剂面积对探测器寿命有较大影响，目前市场上非制冷红外探测器的普遍寿命为十年，探测器产品在设计阶段，可以根据寿命定义，在尺寸允许的范围内，尽可能地增加吸气剂面积占比，保证探测器的工作寿命。
表 2 不同吸气剂面积寿命实验数据Table 2. Life experiment data of different getter areaDetector number Getter area /cm2 First test SiTF
/(cnts/K)Seven years SiTF
/(cnts/K)SiTF
ratesTen years SiTF
/(cnts/K)SiTF rates Fourteen years SiTF
/(cnts/K)SiTF rates 1 85.6 172.051 163.167 −5.16% 129.854 −24.53% 114.550 −33.42% 4 175.231 169.653 −3.18% 130.264 −25.66% 116.151 −33.72% 7 176.569 170.622 −3.37% 130.598 −26.04% 115.43 −34.63% 2 95.2 176.133 173.063 −1.74% 168.880 −4.12% 142.120 −19.31% 5 177.549 174.353 1.80% 167.664 −5.57% 140.536 −20.85% 8 173.156 170.256 1.67% 162.731 −6.02% 139.561 −19.40% 3 180.8 177.998 178.884 0.50% 178.339 0.19% 171.989 −3.38% 6 175.443 176.853 0.80% 175.587 0.08% 170.464 −2.84% 9 172.831 174.669 1.06% 173.211 0.22% 168.100 −2.74% ![]()
图 3 不同吸气剂面积老化平均SiTF变化率Figure 3. Average SiTF change rate with different getter area aging2.3 胶热失重影响
非制冷红外探测器贴片常用的胶水是环氧胶，主要成分是环氧树脂，固化后随着时间的推移会产生挥发性气体，破坏探测器的内部真空度，影响真空寿命。对于胶水稳定性的分析常用的方法是热重分析法[12]（Thermogravimetry analysis，简称TG或TGA），其原理是将待测样品置于特定程序控制的温度范围内，观察样品的质量变化。
实验过程中探测器的吸气剂面积为95.2 mm2，点胶量均为40 mg，控制其他工艺参数相同的情况下，选用3款不同热失重参数的环氧胶贴片。
探测器封装完成后检漏、初测，按照相同的流程进行7年、10年、14年的加速寿命实验，实验结果如表 3所示。
表 3 不同热失重参数胶水寿命试验数据Table 3. Life test data with different thermogravimetric parametersDetector number Thermogravimetric parameters /(%) First test SiTF
/(cnts/K)Seven years SiTF
/(cnts/K)SiTF
ratesTen years SiTF
/(cnts/K)SiTF rates Fourteen years SiTF
/(cnts/K)SiTF rates 10 0.7 176.537 147.948 −16.19% 130.854 −25.88% 117.550 −33.41% 13 175.325 149.665 −14.64% 132.123 −24.64% 115.021 −34.40% 16 177.981 150.012 −15.71% 133.587 −24.94% 117.498 −33.98% 11 0.4 176.061 172.877 −1.81% 169.667 −3.63% 140.120 −20.41% 14 175.997 172.647 −1.90% 168.338 −4.35% 141.527 −19.59% 17 179.324 175.297 −2.25% 172.578 −3.76% 144.470 −19.44% 12 0.25 178.097 176.884 −0.68% 177.081 −0.57% 172.794 −2.98% 15 176.021 175.462 −0.32% 175.237 −0.45% 172.631 −1.93% 18 175.987 175.031 −0.54% 176.234 0.14% 171.015 −2.83% 对贴片采用不同热失重参数胶水的探测器老化后的平均SiTF变化率统计如图 4所示。
![]()
图 4 不同热失重参数胶水老化SiTF平均变化率Figure 4. Average change rate of aging SiTF with different thermogravimetric parameters实验中探测器吸气剂面积选取95.2 mm2，在上一轮实验中，此吸气剂面积探测器在10年老化性能正常，14年老化探测器失效。实验结果显示，10、13、16号探测器由于胶水的热失重参数较大，在7年老化的时间点平均SiTF变化率到达－15.51%，超过－15%，探测器判定为失效，随着老化时间增加，胶水继续放气，SiTF参数进一步下降；11、14、17号探测器采用与上一轮实验相同配置，实验结果也相同，10年时性能正常，14年时平均SiTF变化率到达－19.81%，探测器失效；12、15、18号探测器与上一轮实验相比，在吸气剂面积减少的情况下，由于胶水热失重的降低，在14年时平均SiTF变化率仅为－2.58%，真空状态维持良好。实验表明，在非制冷红外探测器工艺开发过程中，贴片胶水的选取也对探测器寿命有较大影响。进行胶水选型时，在平衡导热系数、热膨胀系数、粘接强度、价格等因素的前提下，应尽可能选取热失重参数较小的胶水，以保证探测器的真空寿命。
3. 结语
非制冷红外探测器真空封装成本占总成本的60%，真空封装的完成度决定着探测器的寿命、可靠性、性能等。探测器最容易出现的失效模式是真空失效，本文以阿伦尼乌斯老化模型为基础，探究吸气剂面积和挥发性气体对非制冷红外探测器真空寿命的影响。实验结果表明，增大吸气剂面积、选择低热失重胶水减少挥发性气体均有利于探测器内部真空度的维持，对研究非制冷红外探测器的真空封装具有参考意义。
致谢: 感谢武汉大学测绘遥感信息工程国家重点实验室提供了本文实验的高光谱数据。与电子科技大学光电科学与工程学院卓晗博士进行了有益讨论，谨此致谢。 -
![]()
图 3 Indian Pines数据集下对比模型的分类结果：(a)SSRN; (b)DFSL-NN; (c)SLSVM; (d)CCPGE; (e)3D-CAE; (f)LapSVM; (g)SS-CNN; (h)uFLCNN; (i)Proposed; (j)Ground-truth
Figure 3. Classification maps for different comparison model for Indian Pines. (a)SSRN; (b)DFSL-NN; (c)SLSVM; (d)CCPGE; (e)3D-CAE; (f)LapSVM; (g)SS-CNN; (h)uFLCNN; (i)Proposed; (j)Ground-truth
![]()
图 4 Salinas Valley数据集下对比模型的分类结果。(a) SSRN；(b) DFSL-NN；(c) SLSVM；(d) CCPGE；(e) 3D-CAE；(f)LapSVM；(g)SS-CNN；(h)uFLCNN；(i)Proposed；(j)Ground-truth
Figure 4. Classification maps for different comparison model for Salinas Valley.(a)SSRN; (b)DFSL-NN; (c)SLSVM; (d)CCPGE; (e) 3D-CAE; (f) LapSVM; (g) SS-CNN; (h)uFLCNN; (i)Proposed; (j) Ground-truth
![]()
图 5 Pavia数据集下对比模型的分类结果。(a)SSRN；(b)DFSL-NN；(c)SLSVM；(d)CCPGE；(e)3D-CAE；(f) LapSVM；(g)SS-CNN；(h) uFLCNN；(i)Proposed; (j)Ground-truth
Figure 5. Classification maps for different comparison model for Pavia dataset.(a)SSRN; (b)DFSL-NN; (c)SLSVM; (d)CCPGE; (e)3D-CAE; (f)LapSVM; (g)SS-CNN; (h)uFLCNN; (i)Proposed; (j)Ground-truth
表 1 高光谱数据集参数
Table 1 Parameters of hyperspectral databases
Dataset Size Resolution/m Spectral range/μm Categories Used band Indian Pines 145×145×220 20 0.4−2.5 16 200 Pavia University 610×340×115 1.5 0.43−0.86 9 103 Salinas 512×217×224 3.7 0.4−2.5 16 204 
下载: 导出CSV
表 2 不同算法模型在Indian Pines数据集上的分类结果
Table 2 Classification results of different algorithm models for Indian Pines dataset
Models SSRN DFSL-NN SLSVM CCPGE 3D-CAE LapSVM SS-CNN uFLCNN Proposed OA/(%) 61.55±0.98 58.63±0.58 61.35±1.52 58.25±1.23 57.11±0.98 62.22±1.07 60.28±0.85 62.55±1.21 63.01±0.62 AA/(%) 59.75±1.48 61.42±0.42 59.85±0.27 68.25±0.86 61.58±0.91 65.11±1.21 58.78±0.87 62.15±0.77 68.90±0.89 Kappa/(%) 56.91±1.51 54.55±0.58 57.28±0.73 61.22±0.88 60.07±1.20 52.52±1.31 58.24±0.99 50.94±0.62 61.86±0.52
下载: 导出CSV
表 3 不同算法模型在Salinas Valley数据集上的分类结果
Table 3 Classification results of different algorithm models for Salinas Valley dataset
Models SSRN DFSL-NN SLSVM CCPGE 3D-CAE LapSVM SS-CNN uFLCNN Proposed OA/(%) 85.52±0.91 90.18±0.82 79.73±0.04 94.61±0.15 92.14±0.20 91.02±0.14 93.25±0.09 94.25±0.09 95.01±0.05 AA/(%) 88.84±0.48 91.75±0.07 85.76±1.33 95.20±0.92 93.11±0.36 89.29±0.27 94.01±0.07 93.07±0.18 95.41±0.07 Kappa 83.85±0.51 89.06±0.39 78.06±0.41 91.56±0.23 95.27±0.1
192.08±0.27 95.04±0.04 94.00±0.21 95.66±0.03
下载: 导出CSV
表 4 不同算法模型在Pavia数据集上的分类结果
Table 4 Classification results of different algorithm models for Pavia dataset
Models SSRN DFSL-NN SLSVM CCPGE 3D-CAE LapSVM SS-CNN uFLCNN Proposed OA(%) 82.13±2.05 91.44±1.08 89.72±1.37 83.24±2.27 84.82±0.95 91.25±1.07 88.27±1.22 83.26±1.58 91.20±0.35 AA(%) 79.53±1.89 84.27±1.26 83.66±1.09 87.24±0.98 86.91±0.98 89.08±1.02 88.00±1.11 84.26±0.74 88.65±0.52 Kappa 89.06±0.68 95.24±0.17 93.77±0.29 94.02±0.13 92.12±0.35 95.11±0.25 91.58±1.1 93.67±0.75 95.26±0.27
下载: 导出CSV
-
[1] 张因国, 陶于祥, 罗小波, 等. 基于特征重要性的高光谱图像分类[J]. 红外技术, 2020, 42(12): 1185-1191. http://hwjs.nvir.cn/article/id/9f47051b-f524-49fe-b6db-80719e2347f9 ZHANG Yinguo, TAO Yuxiang, LUO Xiaobo, et al. Hyperspectral image classification based on feature importance[J]. Infrared Technology, 2020, 42(12): 1185-1191. http://hwjs.nvir.cn/article/id/9f47051b-f524-49fe-b6db-80719e2347f9
[2] 闫赟彬, 崔博伦, 杨婷婷, 等. 基于轻型平台的多模态高分辨率高光谱目标检测系统[J]. 红外技术, 2023, 45(6): 582-591. http://hwjs.nvir.cn/article/id/823e0586-5863-4f85-9924-6aadcf2e814e YAN Yunbin, CUI Bolun, YANG Tingting, et al. Multi-modal high-resolution hyperspectral object detection system based on lightweight platform[J]. Infrared Technology, 2023, 45(6): 582-591. http://hwjs.nvir.cn/article/id/823e0586-5863-4f85-9924-6aadcf2e814e
[3] 徐达, 潘军, 蒋立军, 等. 基于高光谱数据的典型地物分类识别方法研究[J/OL]. 激光与光电子学进展, 2023, 60(15): 396-410. XU D, PAN J, JIANG L J, et al. Research on typical feature classification and identification method based on hyperspectral data[J/OL]. Laser and Optoelectronics Exhibition, 2023, 60(15): 396-410.
[4] 刘万军, 尹岫, 曲海成, 等. 提高小样本高光谱图像分类性能的变维卷积神经网络[J]. 中国图象图形学报, 2019, 24(9): 1604-1618. LIU W J, YIN X, QU H C, et al. A variable-dimensional convolutional neural network for improving classification performance of small-sample hyperspectral images[J]. Chinese Journal of Graphics, 2019, 24(9): 1604-1618.
[5] 方帅, 祝凤娟, 董张玉, 等. 样本优化选择的高光谱图像分类[J]. 中国图象图形学报, 2019, 24(1): 135-148. FANG S, ZHU F J, DONG Z Y, et al. Sample optimization selection for hyperspectral image classification[J]. Chinese Journal of Graphics, 2019, 24(1): 135-148.
[6] GU Y, Chanussot J, JIA X, et al. Multiple kernel learning for hyperspectral image classification: a review[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(11): 6547-6565. DOI: 10.1109/TGRS.2017.2729882
[7] Aydav P S S, Minz S. Granulation-based self-training for the semi-supervised classification of remote-sensing images[J]. Granular Computing, 2020, 5(3): 309-327. DOI: 10.1007/s41066-019-00161-x
[8] CAI W, NING X, ZHOU G, et al. A novel hyperspectral image classification model using bole convolution with three-directions attention mechanism: small sample and unbalanced learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 61: DOI: 10.1109/ TGRS.2022.3201056.
[9] HUANG S, ZHANG H, Pižurica A. Hybrid-hypergraph regularized multiview subspace clustering for hyperspectral images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60(1): 1-16.
[10] ZHONG Z, LI J, LUO Z, et al. Spectral-spatial residual network for hyperspectral image classification: a 3-D deep learning framework[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(2): 847-858. DOI: 10.1109/TGRS.2017.2755542
[11] LIU B, YU X, YU A., Deep few-shot learning for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(4): 2290-2304. DOI: 10.1109/TGRS.2018.2872830
[12] SUNG F, YANG Y, ZHANG L. Learning to compare: relation network for few-shot learning[C]//Proceeding of the 2018 IEEE/CVF Computer Vision and Pattern Recognition Conference, 2018: 1199-1208.
[13] LIU N, LI W, DU Q. Unsupervised feature extraction for hyper-spectral imagery using collaboration-competition graph[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(6): 1491-1503. DOI: 10.1109/JSTSP.2018.2877474
[14] Belkin M, Niyogi P, Sindhwani V. Manifold regularization: a geometric framework for learning from labeled and unlabeled examples[J]. Journal of Machine Learning Research, 7(24): 2399-2434.
[15] LIU B, YU X, ZHANG P, et al. A semi-supervised convolutional neural network for hyperspectral image classification[J]. Remote Sensing Letters, 2017, 8(9): 839-848. DOI: 10.1080/2150704X.2017.1331053
[16] MEI S, JI J, GENG Y, et al. Unsupervised spatial-spectral feature learning by 3D convolutional autoencoder for hyperspectral classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 6808-6820. DOI: 10.1109/TGRS.2019.2908756
[17] MEI S, JI J, HOU J, et al. Learning sensor-specific spatial-spectral features of hyperspectral images via convolutional neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(8): 4520-4533. DOI: 10.1109/TGRS.2017.2693346
[18] LI Z, LIU M, CHEN Y, et al. Deep cross-domain few-shot learning for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60(12): 1-18.
[19] SONG J, SHI G, XIE X, et al. Domain-aware stacked autoencoders for zero-shot learning[J]. Neurocomputing, 2021, 42(9): 118-131.
计量
- 文章访问数: 34
- HTML全文浏览量: 5
- PDF下载量: 13
