【论文阅读笔记】 Deep Few-Shot Learning for Hyperspectral Image Classification

Deep Few-Shot Learning for Hyperspectral Image Classification

作者：Bing Liu , Xuchu Yu, Anzhu Yu, Pengqiang Zhang, Gang Wan, and Ruirui Wang

一、摘要与贡献

目前，深度学习方法已被成功用于高光谱图像（HSI）分类。然而，想要训练一个深度学习的分类器需要成千上百个标记样本。这篇文章提出了一种深度学习方法来解决HSI分类的小样本问题。在所提出的算法中有三个新颖的策略：

• 通过深度3-D残差卷积神经网络提取光谱空间特征，以降低标签的不确定性。
• 通过episodes训练网络以学习度量空间，其中来自同一类的样本距离近，来自不同类的样本距离远。
• 测试样本由学习度量空间中的最近邻居分类器分类。

这个算法的关键思想是设计的网络从训练数据集中学习度量空间。此外，这种度量空间可以推广到测试数据集的类。

这篇文章主要有以下三点贡献：

• 提出了一种DFSL(Deep Few-shot Learing)方法来训练网络以学习度量空间，该度量空间使得同一类的样本距离近。 重要的是，这样的度量空间对于训练期间未见的类别也会这样做。 因此，测试数据集的分类可以由最近邻分类器完成。
• 深度3-D卷积神经网络用于参数化度量空间。 此外，引入残差学习以更好地训练网络。 这种深度3-D残差卷积神经网络可以直接从数据立方体中提取光谱空间特征，而不依赖于任何预处理。
• 在四个已知的HSI数据集上进行了实验，证明了所提出的方法可以胜过仅有少量标记样本的传统半监督方法。

二、方法

DFSL(Deep Few-shot Learing)

图1 DFSL方法的可视化表示

随机选择来自训练集的类的子集，形成用于计算梯度和更新网络的episodes。
如图1所示，选择每个类内的样本子集作为支持集，并将剩余的的子集保留为查询集。 在本文中，每类只选择一个样本作为支持集