基于边界强化与相关性感知的多类分类的开放集高光谱图像分类互点学习方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Boundary-Reinforced Reciprocal Point Learning with Correlation-Aware Multiclassification for Open-Set Hyperspectral Image Classification

　　

摘要：

现有的高光谱图像开放集分类方法通常将未知类别视为同质群体，未能利用光谱空间差异实现精细分类。为弥补这一缺陷，本文提出了一种边界强化互点学习多类分类网络（RPLMN-BR），用于开放集环境下的高光谱图像稳健分类。首先，设计了一个SeSaMLP特征提取框架，通过整合全连接层与光谱和空间注意力模块，提升具有区分度的光谱空间特征表示能力。其次，将加权互点学习模块与生成对抗网络结合，明确强化已知类别与未知类别之间的决策边界；同时引入可学习的动态阈值，自适应构建可分离的特征空间，从而提高未知样本的检测能力。最后，提出了一种基于相关性的多类分类策略：通过杰卡德指数计算全局样本相关性，构建原型相关性权重；再利用开放集样本与封闭集原型之间的皮尔逊相关系数，实现对未知类别的精细分类。在四个涵盖开放集域适应和开放集多类分类任务的公开高光谱数据集上的实验表明，RPLMN-BR在封闭集和开放集场景下均表现出更优性能，在和谐开放集得分、整体准确率、平均准确率以及卡帕系数等方面均优于现有最佳方法。该框架为遥感应用中处理新出现的未知土地覆盖类型提供了可靠解决方案。