通过强化学习引导的主动学习来提升高光谱图像分类性能

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Enhancing Hyperspectral Image Classification Through Reinforcement Learning Guided Active Learning

　　

摘要：

高光谱图像（HSI）分类在环境监测、土地覆盖制图和精准农业中至关重要，但其效果往往受到标记样本稀缺以及不同类别之间光谱相似度高的限制。为了解决这些问题，我们提出了CrossCapsViT，这是一个混合分类框架，通过交叉注意力融合（CAF）机制和跨层自适应融合模块将胶囊网络（CapsNets）和视觉变换器（ViTs）集成在一起，从而实现更丰富、更具区分性的光谱-空间特征学习。为了进一步提高数据稀缺情况下的效率，我们引入了基于演员-评论家强化学习（RAL）的主动学习策略，该策略在奖励结构中同时考虑了准确性、不确定性和多样性，指导选择最具信息量的样本，同时减少标记工作量。在四个基准数据集（KSC、PU、HU2013和Salinas）以及一个使用Pika-L传感器收集的定制无人机盐沼数据集（Derrymore）上进行的实验表明，结合RAL的CrossCapsViT在分类准确性、鲁棒性和泛化能力方面均优于CapsViT和其他基线模型。该框架在具有挑战性的植被类别上实现了高达25%的类别级准确性提升，同时减少了对大型标注数据集的依赖，凸显了其在实际生态监测和遥感应用中的潜力。