Deep Few-Shot Learning for Hyperspectral Image Classification（2019）——深度学习论文笔记（四）

Deep Few-Shot Learning for Hyperspectral Image Classification（2019）

Abstract

  论文提出了一种deep few-shot learning方法来解决HSI分类中样本量少的问题。算法包含了3种新策略：

1. 首先，通过deep residual 3-D CNN提取spectral-spatial features以减少标记时的不确定性（labeling uncertainty）。
2. 其次，用episodes（来自于matching network）的方式来学习一个metric space。（在这个metric space里同类样本距离很近，不同类样本距离很远）
3. 最后，用最近邻分类器在metric space里将测试样本分类。

  其中最重要的是用训练样本训练deep residual 3-D CNN得到一个metric space。这样的metric space可以泛化到测试集中，对测试集的样本进行分类。注意模型在训练的时候是不知道测试集是什么样子的，所以这是一个纯半监督学习而不是直推学习。