UPC 2 L：统一原型约束的跨域对比学习方法，用于不平衡的高光谱图像分类

《IEEE Transactions on Multimedia》：UPC 2 L: Uniform Prototype-Constrained Cross-Domain Contrastive Learning for Imbalanced Hyperspectral Image Classification

高光谱图像分类中存在长尾分布导致的样本不均衡问题，现有方法在跨域对比学习中未充分考虑类别不平衡。本文提出UPC-L框架，通过设置共享类原型的超球面约束实现特征空间平衡，设计跨域和类内对比策略UPDC提取不变特征，并采用CTSF伪标签生成策略优化迭代训练。在三个标准数据集上验证，有效提升少数类分类性能。

　　

摘要：

高光谱图像（HSI）分类在地球观测任务中起着至关重要的作用。近期关于跨场景高光谱图像分类的研究取得了显著成果。然而，现实世界的数据往往遵循长尾分布，大多数类别的样本数量不足。现有研究的一个局限性在于，在减少领域差异的同时忽视了类别不平衡问题。这导致分类器偏向于多数类别，从而增加了少数类别的误分类率。为了解决这一问题，我们提出了一种统一的原型约束跨域对比学习（UPC L）框架，用于处理不平衡的高光谱图像分类。该框架结合了原型思想和跨域对比学习，通过在超球面上学习统一的类别原型来平衡特征空间，从而显著提升分类性能。具体而言，我们在超球面上设置共享的类别原型（离线进行），以确保类别边界清晰明确。我们设计了一种匹配的训练方案，使类别中心与原型对齐，从而促进平衡且统一的特征空间的学习。接下来，我们设计了统一的原型约束域对比学习策略（UPDC），通过跨域和域内的对比逐步提取域不变且类别特定的统一特征。这一过程包括两个部分：统一原型约束对比（UPC）和域增强实例对比（AIC）。最后，我们设计了一种一致的伪标签生成策略（CTSF），用于迭代模型训练，以生成一致的样本伪标签，并过滤掉具有相同预测结果的训练样本，进一步优化分类网络。在三个标准数据集上的实验验证了UPC L的有效性。