自娱自乐对比学习高光谱图像分类第二篇
1. Introduction
在高光谱图像分类中 3D 比 2D 好?不知道这句话怎么得来的。
无监督学习:
- 表示学习(AE, GAN)
- 判别学习 – contrastive learning(在背景介绍里主要说本文要表达的东西的优缺点,而不是文献综述)
- 优点:能够很方便的迁移到下游任务
- 缺点:数据增强不通用;2D对高维数据的提取效果不好。
- 本文创新点
- 数据增强
- transformer
- BYOL
2. Related Work
Contrastive Learning
Transformer
3. Proposed Method
从 f 弄出来,既是 2层的 transformer,直接提取特征用于分类,不用后面的projection 了。
augmentation
- horizontal flip or vertical flip
- random rectangular area erasure and random point erasure
4. Experimental Descriptions and Result Analysis
The input size is 27 × 27 × 30 for IP and 27 × 27 × 15 for UP and SV.
training dataset and test dataset
- For IP and UP 10%. For SV, 5%.
流程
- 无监督特征提取+SVM
没有啥分析模型的实验。
5. Conclusions
背景介绍和上一篇好像。
方法上还是比较简单和通俗易懂的。
主要是数据增强的创新,在现有模型(AE,CNN,transformer)的基础上。