顶刊IEEE-TGRS｜半监督图像分类最新SOTA-CSDN博客

现有许多图像分类方法都会将遥感图像中地面实况里面属于 "草甸 "类的大型地貌错误地分类为 "砾石"、"裸土 "或 "树木 "类，DSCA-Net能对这一区域进行准确分类。

"沥青 "类和 "树木 "类在底部缩放的关键区域中应该是分层和连续的。许多图像分类方法混淆了这两个类别，导致沥青路面不规则甚至不连续。DSCA-Net可精确识别底部缩放区域中分层且连续的 "沥青 "和 "树木 "类别。

为了帮助大家掌握班监督图像分类技术，并运用至遥感图像中，掌握A+B产出idea的方法。研梦非凡邀请中科院某所卫星遥感与3D点云研究方向的周导师，为大家精讲《AI前沿论文直播课NO.53期：遥感技术之高光谱图像分类》顶刊论文，7月11日晚19:20准点开讲！单篇论文拆解精讲➕遥感结合其他方向研究能用到的算法，为你的idea指明道路～

👇🏻扫描二维码找助教0元预约直播课！

凡预约即可领取遥感论文20篇+目标检测论文41篇+ECCV'24收录论文83篇+文末还有算力等科研福利

直播课内容概览

《Dual-Stream Class-Adaptive Network for Semi-Supervised Hyperspectral Image Classification》精讲

一、论文创新点讲解

遥感图像如何学习判别性特征表示？
用于半监督 HSI 分类的新型双流类自适应网络 (DSCA-Net)介绍
引入超像素引导标签传播 (SGLP) 模块来减轻不平衡数据分布的负面影响。
通过超像素相似性度量和标签传播实现对未标记样本标签的近似估计

等

二、DSCA-Net算法框架详细介绍

SGLP模块
超像素引导标签传播
基于一致性正则化的双流结构
类自适应动态阈值
损失函数

三、实验/数据集/指标/实验比较

证明所提出的DSCA-Net对HSI分类的有效性

1、四组数据集介绍

帕维亚大学（PaviaU）数据集
休斯顿2013数据集
肯尼迪航天中心（KSC）数据集
博茨瓦纳数据集

2、实验设置

对于DSCA-Net方法两个超参讨论工作

（1）消融实验

（2）ULS、PLC、SGLP 模块和CADT策略

ULS：添加无标签样本对推荐网络的影响。
PLC：验证其对分类头的影响。
SGLP：有标签样本和无标签样本是否平衡的影响。
CADT：针对不同目标采用不同权重占比的影响。

（3）性能比较

DSCA-Net与其他先进的HSI分类方法（包括传统的SVM方法）比较讲解。
四种基于DL的全监督方法（S3Net、RSSAN、A2S2K和MTGAN）讲解。
两种半监督范式方法（Semi-CNN和DMSGer）讲解。

四、使用不同数量的训练样本评估分类性能

五、定量分析结果效果分析

👇🏻扫描二维码找助教0元预约直播课领资料➕享直播福利！

凡预约即可领取遥感论文20篇+目标检测论文41篇+ECCV'24收录论文83篇+文末还有算力等科研福利

直播课导师介绍

周导师

目前工作于中科院某所，主要从事卫星产业相关研究与应用，研究卫星遥感与3d点云的相关处理，以及高光谱和sar图像的处理。参与某市微信遥感视觉大数据项目一项以及其他项目若干项等。参与某汽车企业自动驾驶部门的合作，参与相关自动驾驶算法的研究。
学术成就：发表sci、ccf-b等论文三篇，专利4篇。
可带方向：遥感图像处理、3d点云处理、自动驾驶。