摘要：针对目标域标记样本稀缺引起的模型泛化性能不佳问题，提出了一种基于跨域Mixup和自监督学习的少样本高光谱图像分类方法。首先，利用少样本学习从源域提取更有利于目标域分类的元知识。其次，将Mixup技术应用到少样本学习中，将源域和目标域的查询集进行特征级Mixup，通过源域数据扩展目标域数据的分布，增加目标域数据的多样性，从而提高模型的泛化性能。最后，通过目标域自监督学习来约束少样本学习过程，以获取更鲁棒的特征表示，进而缓解模型的过拟合问题。在两个公共高光谱数据集上进行了大量实验，与现有主流方法相比，所提方法平均准确率分别提升了3.2%和3.6%以上。
文章目录
1 引言
2 基于跨域Mixup和自监督学习的少样本高光谱图像分类方法
2.1 网络总体框架
2.2 特征提取器
2.3 少样本学习
2.4 特征级跨域Mixup
2.5 自监督对比学习
3 实验结果与分析
3.1 实验数据集
3.2 实验设置
3.3 对比实验
3.4 消融实验
4 结论
