遥感场景零样本分类：图像特征融合算法

"本文提出了一种基于图像特征融合的遥感场景零样本分类算法，通过利用不同图像特征的互补性，提高遥感场景的分类性能。该算法结合了解析字典学习方法，计算各图像特征的稀疏系数，并将这些系数串接作为融合后的特征，旨在减少冗余信息并保留每个特征的独特性。同时，引入监督信息增强融合特征的鉴别性，并利用结构对齐技术提升对新类别场景的迁移识别效果。在UC-Merced和航拍图像数据集上的实验结果显示，该算法在总体分类准确度和运算效率上均优于其他零样本分类算法和通用的特征融合算法，验证了其有效性。" 在遥感图像处理领域，零样本分类是一种重要的任务，尤其在面对未见过的新类别场景时。传统的分类方法通常依赖于大量标记的训练样本，而零样本分类则允许系统在没有该类样本的情况下进行分类，这极大地扩展了遥感图像分析的应用范围。 本文提出的算法首先利用解析字典学习来提取图像的多维特征，这是一种有效的稀疏表示方法，可以将复杂的图像信息转化为简洁的系数表示。通过计算各个特征的稀疏系数，可以去除冗余信息，同时保持每个特征的特性，从而构建一个融合的特征向量。这种方法提高了特征的表达能力，有助于区分不同的遥感场景。 接着，为了进一步提升分类性能，算法引入了监督信息。在零样本分类中，虽然没有新类别的实例，但可以通过已知类别来指导特征的融合，使融合特征更具鉴别性，从而提高分类的准确性。 最后，该算法采用了结构对齐技术，将融合特征与场景类别词向量进行匹配。这种方法考虑了类别语义信息，使得模型能够更好地理解和迁移新类别场景，增强了模型的泛化能力。 实验部分在UC-Merced和航拍图像数据集上进行了对比测试，涵盖了不同层次的场景图像特征。结果表明，无论是在同类别的特征融合还是跨类别的特征融合中，该算法都表现出优越的性能，不仅提高了分类准确度，还减少了计算时间，验证了算法的有效性和实用性。 本文提出的基于图像特征融合的遥感场景零样本分类算法是一种创新的方法，它成功地结合了多种技术，如解析字典学习、监督信息引入和结构对齐，有效地解决了遥感图像分类中的零样本问题，为遥感图像分析提供了新的思路和工具。