深度学习与主动迁移学习：一种融合光谱-空间特征的高光谱图像分类统一模型

"本文提出了一种主动转移学习网络（Active Transfer Learning Network），这是一种统一的深度联合光谱-空间特征学习模型，专门用于解决高光谱图像（Hyperspectral Image, HSI）分类中的小样本标注问题。通过使用堆叠稀疏自编码器（Stacked Sparse Autoencoder, SSAE）网络提取深度联合光谱-空间特征，并结合主动学习（Active Learning, AL）策略，该网络能够在仅有少量标注样本的情况下进行有效训练。" 在高光谱图像分类领域，深度学习已经成为研究热点，因为它能够从大量的光谱和空间信息中学习到复杂的特征表示。然而，构建一个高效的深度神经网络通常需要大量标记数据的支持。针对这一挑战，文章提出了一种新的解决方案——主动转移学习网络。这个网络将深度学习与转移学习相结合，旨在减少对大规模标注数据的依赖。 首先，文章利用堆叠稀疏自编码器（SSAE）构建了一个层次化的特征提取框架。SSAE是一种无监督学习方法，它能够从原始高光谱数据中自动学习到低维的、有代表性的特征表示，同时保留了光谱和空间信息的联合特性。通过多个层的自编码器逐步进行特征抽象，SSAE可以有效地提取HSI的光谱-空间特征。 然后，主动学习（AL）策略被引入到网络中。AL是一种在有限样本下优化学习效果的方法，它选择最具代表性的未标注样本进行标注，从而最大化模型的性能提升。在本文中，预训练的SSAE网络和源领域的有限训练样本一起被用作主动学习的基础，通过在目标领域的数据上进行适应性学习，实现知识的有效迁移。 通过这种方式，主动转移学习网络能够从源领域中已有的大量未标注数据中学习通用特征，并将其应用于目标领域的HSI分类任务，即使目标领域的标注数据非常有限。这种策略显著减少了对人工标注的依赖，提高了分类的准确性和效率。 这篇论文提供了一种创新的深度学习方法，解决了HSI分类的小样本问题，通过结合SSAE的特征学习能力和AL的样本选择策略，实现了对高光谱图像的有效分类。这种方法对于遥感图像处理、环境监测、军事侦察等领域具有重要的应用价值。