基于正交特征解耦的跨域小样本高光谱分类方法研究

《Engineering Applications of Artificial Intelligence》：Cross-domain few-shot hyperspectral classification via orthogonal feature disentanglement

本文提出正交特征解耦网络（OFD-Net），通过正交子空间分解将特征投影至域共享（domain-shared）和域特定（domain-specific）子空间，结合多任务学习框架（含对齐损失Lalign和判别损失Ldisc），有效解决跨域小样本高光谱图像（HSI）分类中域偏移（domain shift）和特征纠缠问题。在四个公开数据集上达到80.33%-93.33%的总体精度（OA），为跨域迁移学习提供新思路。

　　

Highlight

1. 1.
   提出正交特征解耦网络（OFD-Net），通过特征空间分解有效抑制域间无关特征干扰；
2. 2.
   结合对齐损失与判别损失的多任务学习框架，实现共享特征分布对齐与特定特征类间判别性增强；
3. 3.
   在四个高光谱基准数据集上验证了模型优越性，消融实验证明正交解耦模块的关键作用。

Section snippets

跨域小样本图像分类方法

现有研究主要依赖深度特征提取和全局分布对齐缓解域偏移和标签稀缺问题。例如Li等（2021）提出的DCFSL方法通过残差3D-CNN提取空间-光谱特征，在源域和目标域间交替进行元学习任务，并利用条件对抗对齐减少分布差异。Zhang等（2022b）设计的Gia-CFSL引入图最优传输策略，进一步优化跨域特征对齐过程。

Methodology

本方法定义源域D_S的类别空间为C_s= {c₁, c₂, ?, c_Z}（Z为类别总数），目标域D_T的类别集C_t满足C_t< Z以确保源域先验知识充足。目标数据被划分为：带标签的小样本数据集D_f= {(x_i^t, y_i^t)}_i=1^K×C_t（含C_t类，每类K个样本）和无标签测试集D_t= {x_j^t}_j=1^N×C_t。

Datasets description

为验证OFD-Net的跨域小样本分类性能，选择公共Chikusei（CH）数据集作为源域，四个公共数据集作为目标域：Indian Pines（IP）、Pavia University（UP）、Salinas（SA）和Houston（HT）。表1详细列出了五个数据集采集地点和波段数，表2统计了样本数量，并附有伪彩色图像和真值图对比。

Conclusion and future work

针对跨域小样本高光谱图像分类中的标签稀缺和域偏移问题，本文提出的正交特征解耦网络首次在HSI小样本场景中引入正交投影约束，显式分离域共享和域特定子空间，抑制传感器噪声等私有干扰在共享子空间的累积，缓解负迁移现象。