Self Supervised Learning for Few Shot Hyperspectral Image Classification

要約

ディープラーニングは、ハイパースペクトル画像（HSI）分類の非常に効果的なアプローチであることが証明されています。
ただし、ディープニューラルネットワークを適切に一般化するには、大きな注釈付きデータセットが必要です。
これにより、HSI分類の深層学習の適用性が制限されます。この場合、シーンごとに数千のピクセルに手動でラベルを付けることは実用的ではありません。
この論文では、HSI分類に自己監視学習（SSL）を活用することを提案します。
最先端のSSLアルゴリズムであるBarlow-Twinsを使用して、ラベルのないピクセルでエンコーダーを事前トレーニングすることにより、少数のラベルで正確なモデルを取得できることを示します。
実験結果は、このアプローチがバニラ教師あり学習を大幅に上回っていることを示しています。

要約(オリジナル)

Deep learning has proven to be a very effective approach for Hyperspectral Image (HSI) classification. However, deep neural networks require large annotated datasets to generalize well. This limits the applicability of deep learning for HSI classification, where manually labelling thousands of pixels for every scene is impractical. In this paper, we propose to leverage Self Supervised Learning (SSL) for HSI classification. We show that by pre-training an encoder on unlabeled pixels using Barlow-Twins, a state-of-the-art SSL algorithm, we can obtain accurate models with a handful of labels. Experimental results demonstrate that this approach significantly outperforms vanilla supervised learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google