高光谱图像分类的主动多核域自适应
近年来,目睹了高光谱图像(HSI)分类的快速发展。 现有的大多数研究要么通过监督学习严重依赖昂贵的标签信息,要么很难利用从相关领域借来的区分性信息。 为了解决这个问题,在本文中,我们展示了一种基于具有主动学习(AL)的域自适应(DA)的解决HSI分类的新颖框架。 我们方法的主要思想是通过利用源域中可用的带标签样本来重新训练多核分类器,并在目标域中添加最少数量的信息最多的样本以及活动查询。 所提出的方法自适应地组合了多个内核,形成了DA分类器,该DA分类器使源域和目标域之间的偏差最小。 进一步配备了嵌套的主动更新过程,它依次扩展了训练集并逐渐收敛到令人满意的分类性能水平。 我们在HSI分类任务中使用余量采样(MS)策略研究了这种主动的适应框架。 我们在两个流行的HSI数据集上的实验结果证明了其有效性。