基于查询驱动双网络与优化元学习的高光谱图像少样本分类方法研究

【编辑推荐】本文提出查询驱动元学习双网络框架(QMTN)，通过轻量化光谱-空间注意力残差网络(SSARN)和独创的查询损失优化算法(QLOML)，解决了高光谱图像分类(HSIC)中少样本学习(FSL)的难题。创新性采用双元学习通道和带噪声的元任务生成策略，在三个公开数据集上验证了模型在降低标注依赖性和提升分类精度方面的优势。

　　

亮点

本研究创新性地构建了查询驱动元学习双网络框架(QMTN)，其核心是通过两个独立的元学习通道来提升少样本场景下的高光谱图像分类性能。框架包含三大突破：1）轻量级光谱-空间注意力残差网络(SSARN)通过并行3D卷积和空间注意力模块，显著提升关键区域的特征提取效率；2）查询损失优化算法(QLOML)创造性地分离支持集与查询集的梯度更新路径，有效解决元学习中内外环干扰问题；3）引入带模拟噪声的元任务生成策略，增强模型对真实遥感场景中辐射畸变的适应能力。

方法

针对HSIC中标注样本稀缺的挑战，研究团队开发了两种元任务构建方案：基础方案直接从有限样本中抽样，增强方案则模拟大气散射和传感器噪声（信噪比控制在30-50dB）。框架采用双SSARN架构，其中主网络通过支持集学习共性特征，孪生网络则专注优化查询集损失函数。特别设计的空间注意力模块能自动聚焦于地物边界等判别性区域，其响应热图显示对农田边界特征的捕获精度提升达37%。

高光谱数据集与评估指标

实验选用Pavia大学(UP)、印第安松林(IP)和萨利纳斯(SA)三个典型数据集。UP数据集含103个波段、9类地物，其中最具挑战性的"沥青"类别在5-shot设定下达到89.2%的准确率，较基线模型MAML提升21.5%。通过引入噪声增强的元任务，模型在跨场景迁移测试中展现出卓越的鲁棒性——在IP数据集上，面对15°太阳高度角变化时的分类稳定性提高18.3%。

结论

QMTN框架通过双网络协同学习和噪声增强策略，在有限标注条件下实现了高光谱图像的精准分类。SSARN网络凭借残差连接和注意力机制，在UP数据集上仅用5个样本/类即达到92.4%的总体精度，推理速度较传统3D-CNN快1.8倍。该研究为遥感领域的少样本学习提供了新范式，其模块化设计可扩展应用于多时相影像分析。