用于跨领域少样本高光谱图像分类的模糊双曲感知融合网络

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》:Fuzzy Hyperbolic-Aware Fusion Network for Cross-Domain Few-Shot Hyperspectral Image Classification

【字体: 大 中 小 】 时间:2026年08月02日 来源:TRENDS IN FOOD SCIENCE & TECHNOLOGY 17.4

编辑推荐:

  •提出一种模糊双曲融合网络,用于提升跨域少样本高光谱分类性能。•FAF模块通过模糊注意力机制融合特征,以降低特征不确定性。•H-CSA模块将特征映射到洛伦兹空间,用于建模跨样本间的关系。引言高光谱成像能够捕获大量连续且窄带的光谱信息,为土地覆盖识别与分析提供精细的光谱表征。由于其

  •提出一种模糊双曲融合网络,用于提升跨域少样本高光谱分类性能。•FAF模块通过模糊注意力机制融合特征,以降低特征不确定性。•H-CSA模块将特征映射到洛伦兹空间,用于建模跨样本间的关系。引言高光谱成像能够捕获大量连续且窄带的光谱信息,为土地覆盖识别与分析提供精细的光谱表征。由于其高维光谱特性,高光谱图像分类已被广泛应用于城市规划[1]、农业监测以及医疗领域[2]、[3]。作为遥感图像分析的核心问题,其本质在于有效融合光谱信息与空间信息,以实现可靠的土地覆盖区分。然而,由于成像条件差异、传感器不同以及土地覆盖分布的变化,不同数据域之间存在显著的分布差异。此外,高光谱数据标注成本高昂,导致目标域中标记样本极为有限。因此,在标记数据有限的跨域条件下实现稳健的少样本高光谱图像分类,已成为具有重大研究价值的难题。早期的高光谱图像(HSI)分类方法主要依赖随机森林[4]、支持向量机[5]和极端学习机[6]等传统机器学习模型。但由于高光谱数据的高维度特性及复杂的波段间相关性,这些方法的特征表示能力存在局限。随着深度学习的发展,卷积神经网络(CNNs)[7]被引入到HSI分类中。例如,Hu等人[8]首次运用一维CNN对HSI的像素级光谱进行分类。为更有效地利用光谱-空间信息,后续又提出了三维卷积神经网络(3D-CNNs)和混合3D-2D CNNs(HybridSN),这类模型从HSI立方体中提取联合光谱-空间特征,同时捕捉空间上下文信息,显著提升了分类性能[9]、[10]。为进一步优化特征表示,Zhong等人[11]提出了光谱-空间残差网络(SSRN),该网络通过残差学习提升了联合光谱-空间特征的建模能力。然而,依赖局部感受野的卷积机制难以建模长距离依赖关系和复杂的土地覆盖结构,在少样本条件下还易出现过拟合问题。为解决局部建模的局限性,Transformer模型[12]利用自注意力机制进行全局特征建模,但它们依赖于规则化的特征表示,且对样本量敏感,限制了其在少样本场景下的泛化能力。此外,图卷积网络(GCN)[13]、[14]、[15]通过图结构建模不规则的空间关系,在标注数据有限的条件下展现出一定优势。另外,Feng等人[16]提出了一种基于分数域解耦的自适应加权度量学习网络,用于提升高光谱变化检测中的光谱-空间特征区分度。尽管上述方法在高光谱图像分类方面取得了优异性能,但收集和精细标注高光谱样本的成本极高,这在标记数据匮乏的情况下限制了它们的实用性。为解决样本不足的问题,少样本学习(FSL)[17]已成为HSI分类领域的重要研究方向,旨在在标注数据有限的情况下实现更好的泛化能力。在跨域少样本场景中[18],源域与目标域之间存在传感器差异、成像条件变化以及噪声分布不一致等问题,使得难以直接将源域中学习到的判别特征迁移到目标域。这一限制进一步推动了更复杂的域适应研究,包括多源域适应和混合目标域适应,这类方法通过显式建模风格差异和预测不确定性,以提高在严重域偏移条件下的鲁棒性[19]。此外,在少样本条件下,类内变异往往无法得到充分捕捉,导致特征分布模糊、类边界不清,这进一步加剧了跨域偏移的影响。现有方法通常通过建模跨样本关系、优化原型或利用对比学习在有限监督下提升性能,从而改善少样本高光谱图像分类的判别能力。综上所述,现有的跨域少样本方法在高光谱图像分类方面已取得显著成果,但仍面临两大挑战:(1)不同样本间的光谱-空间特征存在差异,传统方法难以充分整合来自不同层次特征的互补信息,从而导致特征表示模糊,判别能力有限。为解决这一问题,我们提出了一种模糊融合机制,将该机制引入跨样本特征整合过程,实现信息的自适应加权与互补增强,有效降低了特征不确定性,减轻了严重的类内变异和较高的类间相似性带来的影响,从而显著提升了少样本条件下的判别能力。(2)传统的欧几里得特征空间在建模样本间的非线性及层次关系方面存在局限。近年来,具有负曲率的双曲空间为层次化展开特征提供了自然的几何框架,从而更有效地表示类间的非线性关系和嵌套结构。如图1所示,我们将网络提取的特征从欧几里得空间映射到双曲空间,并通过对不同双曲模型进行等价变换来实现特征建模。在欧几里得空间中,特征分布主要呈现局部聚类特征,难以明确捕捉特征间的层次关系。而在双曲空间中,受负曲率几何结构的约束,特征会沿径向自然扩展,形成更清晰的层次结构,这更有利于建模特征间的非线性关系及多尺度差异。这两大限制共同阻碍了稳健的跨域少样本学习,因此需要一个能够同时建模特征不确定性与层次关系的统一框架。为统一解决上述挑战,我们将双曲空间融入模型,提出了一种基于模糊增强的双曲关系建模网络,用于跨域少样本高光谱图像分类,该网络包含两个核心模块:模糊注意力特征嵌入模块(FAF)和双曲跨样本注意力模块(H-CSA)。FAF模块通过模糊注意力自适应融合基础卷积特征与空间-光谱结构特征,减轻混合像素带来的光谱混合效应,提升整体特征表示能力。H-CSA模块则将支撑特征与查询特征映射到洛伦兹双曲空间,显式建模跨样本的层次与非线性关系,同时整合结构特征以获得更优的特征表示。随后,通过软分配和标签传播逐步优化类别原型,使原型能够更好地适配目标域的分布特征,进而进一步提升分类性能。本研究的主要贡献如下:•我们提出了一种基于模糊增强的双曲关系建模网络(FHAF-Net),用于跨域少样本高光谱图像分类,该网络结合了模糊特征融合与双曲表示学习,提升了域偏移条件下的特征区分能力。•我们设计了模糊注意力特征嵌入模块(FAF),该模块通过模糊注意力自适应整合卷积特征与空间-光谱结构特征,降低了由类内变异和类间相似性导致的特征不确定性。•我们设计了双曲跨样本注意力模块(H-CSA),该模块将支撑特征与查询特征投影到洛伦兹空间,以捕捉层次关系并提升跨域分类能力。这些模块相互配合,共同提升跨域少样本分类的性能。本文的其余部分安排如下:第2节回顾相关研究,第3节详细介绍所提出的FHAF-Net模型,第4节展示实验结果与分析,最后第5节对全文进行总结。章节摘录高光谱图像分类中的跨域少样本学习现有的跨域少样本学习方法旨在解决源域与目标域存在分布差异时的分类难题。在高光谱图像分类中,这类差异主要由成像条件、光谱分布、采集传感器以及土地覆盖特征的不同所致,这些因素阻碍了从有限的标记样本中有效迁移知识。Li等人[20]提出了一种少样本高光谱图像分类方法整体架构所提模型的整体框架如图2所示,它由四个关键组件构成:(1)数据增强模块,(2)模糊增强注意力特征嵌入网络,(3)带有双曲嵌入的跨样本关联注意力模块,以及(4)迭代优化模块。这些组件共同构成了统一的模糊双曲感知融合网络(FHAF-Net),其详细内容将在下一小节中介绍。模糊双曲感知融合网络为应对跨域少样本学习的挑战,……数据集描述在本节中,我们选择Chikusei数据集作为源域数据集,另选取三个公开的高光谱图像数据集作为目标域,即Houston、WHU-Hi-LongKou和Pavia Center,以此开展实验并评估所提方法的性能。Chikusei数据集:该数据集包含2517×2335像素,共有128个光谱带,可划分19类土地覆盖类型。Houston 2013数据集:该数据集包含349×1905像素,有144个光谱带,可划分15类土地覆盖类型。结论在本文中,我们提出了FHAF-Net模型,该模型解决了现有方法在处理跨域条件下高光谱数据所固有的模糊性、不确定性及复杂非线性关系方面的难题。FHAF-Net由FAF和H-CSA两个核心模块组成。FAF模块采用模糊注意力机制,自适应融合基础卷积特征与空间-光谱结构特征,有效减轻了混合像素带来的影响。未引用参考文献缺失引用:图10、图3、图5、图8、算法1CRediT作者贡献说明Yonghe Chu:撰写——初稿撰写、资金获取、概念构思。Zhan Gao:撰写——初稿撰写。Jiangtao Peng:撰写——审稿与编辑。Weiping Ding:撰写——审稿与编辑、指导监督。Peng Li:撰写——审稿与编辑、指导监督。利益冲突声明作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。Yonghe Chu|Zhan Gao|Jiangtao Peng|Weiping Ding|Peng Li
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号