融合残差引导置信度学习与协同分类器策略的半监督高光谱图像分类方法

《Scientific Reports》：Residual-guided confidence learning and dynamic ensemble selection for semi-supervised hyperspectral image classification

　　

摘要

在标注样本有限的情况下，高光谱图像（HSI）分类仍然面临巨大挑战，因为不可靠的伪标签可能导致错误传播，且单个分类器在不同数据分布上可能表现不一致。针对这些问题，本研究提出了一种融合残差引导置信度学习与协同分类器策略的半监督框架，并引入了三个关键组件。首先，Co-PS利用基于类别级重构残差估计的置信度来筛选可靠的伪标签样本。其次，Co-Vote通过融合多个协同表示分类器的预测结果来提升伪标签的可靠性。第三，Co-Select采用验证驱动的分类器选择策略，从候选池中自适应地识别最合适的分类器。实验在四个公开高光谱图像数据集上进行，每类仅使用五个有标注的训练样本，并采用十次固定随机划分。所提方法在Botswana、Purdue、DC和KSC数据集上分别取得了高达82.67%、79.90%、90.84%和81.47%的平均总精度（OA），均优于最强对比基线方法的平均总精度。这些结果验证了所提框架在极端有限标注监督下用于高光谱图像分类的有效性和鲁棒性。