Robust Self-Ensembling Network for Hyperspectral Image Classification

要約

最近の研究により、ハイパースペクトル画像（HSI）の分類タスクにおける深層学習アルゴリズムの大きな可能性が示されている。とはいえ、これらのモデルを学習するには、通常、大量のラベル付きデータが必要である。HSIのピクセルレベルのアノテーションの収集は手間と時間がかかるため、サンプルサイズが小さい状況でも良好な性能を得られるアルゴリズムを開発することは大きな意義がある。本研究では、この問題を解決するために、ロバスト自己組織化ネットワーク(RSEN)を提案する。提案するRSENは、ベースネットワークとアンサンブルネットワークの2つのサブネットワークから構成される。ラベル付けされたデータからの教師付き損失とラベル付けされていないデータからの教師なし損失の両方の制約により、ベースネットワークとアンサンブルネットワークは互いに学習することができ、自己組織化機構を達成することができる。我々の知る限り、提案手法はHSI分類タスクに自己組織化技術を導入した最初の試みであり、HSIにおけるラベル無しデータをネットワーク学習を支援するために利用する方法について異なる視点を提供するものである。さらに、自己組織化学習の頑健性を高めるために、新しい一貫性フィルタを提案する。3つのベンチマークHSIデータセットに対する広範な実験により、提案アルゴリズムが最先端の手法と比較して競争力のある性能を発揮することを実証する。コードはオンライン(˶‾᷄ -̫ ‾᷅˵)で公開されています。

要約(オリジナル)

Recent research has shown the great potential of deep learning algorithms in the hyperspectral image (HSI) classification task. Nevertheless, training these models usually requires a large amount of labeled data. Since the collection of pixel-level annotations for HSI is laborious and time-consuming, developing algorithms that can yield good performance in the small sample size situation is of great significance. In this study, we propose a robust self-ensembling network (RSEN) to address this problem. The proposed RSEN consists of two subnetworks including a base network and an ensemble network. With the constraint of both the supervised loss from the labeled data and the unsupervised loss from the unlabeled data, the base network and the ensemble network can learn from each other, achieving the self-ensembling mechanism. To the best of our knowledge, the proposed method is the first attempt to introduce the self-ensembling technique into the HSI classification task, which provides a different view on how to utilize the unlabeled data in HSI to assist the network training. We further propose a novel consistency filter to increase the robustness of self-ensembling learning. Extensive experiments on three benchmark HSI datasets demonstrate that the proposed algorithm can yield competitive performance compared with the state-of-the-art methods. Code is available online (\url{https://github.com/YonghaoXu/RSEN}).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL