空谱域适应与XGBoost结合的跨场景高光谱图像分类

摘要

针对跨场景高光谱遥感图像分类中源域和目标域的频谱偏移问题,提出一种结合空谱域适应与极度梯度提升树(eXtreme Gradient Boosting, XGBoost)的跨场景高光谱图像分类模型。将深度超参数卷积模型(Depthwise Over-parameterized Convolution Model,DOCM)和大核注意力(Large Kernel Attention,LKA)结合,构成空谱注意力模型,提取源域空谱特征。利用相同的空谱注意力模型对目标域进行特征提取,并与鉴别器完成对抗域适应,减少源域与目标域之间的频谱偏移;通过目标域中少量有标签数据对目标域特征提取器进行有监督域适应,使目标域特征提取器进一步学习目标域的真实分布,并对源域和目标域的特征进行映射,形成相似的空间分布,完成聚类域适应。最后,使用集成分类器XGBoost进行高光谱图像分类,进一步提高模型的训练速度与置信度。在Pavia和Indiana高光谱数据集上的实验结果表明,本文算法的总体分类精度分别达到了91.62%和65.98%。相比较于其他跨场景高光谱图像分类模型,本文所提模型具有更高的地物分类精度。