作者：季风呈、赵文智 在封闭（也称闭集）环境中，深度学习模型的训练与测试数据取自相同的标签与特征空间，而忽视了真实场景中不断出现的新地物类别，导致闭集环境下采用的固定分类方案难以应对新地物类别的挑战，进而引发未知地物类别错误地归类为已知地类的问题。 为了实现开放场景下的高光谱影像分类，本文创新型地提出了一种结合生成式模型与证据理论的开集高光谱影像分类方案。该方案以分类结果的不确定性为切入点，通过对分类结果的不确定性进行度量，使模型在保持分类精度的同时，能够有效识别并拒绝未知类别。具体地，该方案基于生成式框架GAN，通过生成器模拟真实数据分布，使模型实现对不同类型地物决策边界的准确刻画；此外，基于Dempster-Shafer和主观逻辑理论，本文为判别器设计了一种基于证据的多类别分类损失，引导模型开展基于证据的分类与不确定性建模；最后，为了降低生成式模型复杂结构导致的模型坍塌，模型中采用了域自适应策略引导模型快速拟合。模型的整体框架如图1所示： 图1. 光谱-空间证据学习网络整体框架 图2. 基于光谱-空间证据学习网络的开集识别示意图 为了验证方法的有效性与先进性，本文以三个公开的高光谱数据集（分别为University of Pavia、Salinas以及WHU-Hi-LongKou）为例，开展了不同实验条件下的对比与消融实验。实验结果表明，与目前先进的开集高光谱影像分类算法相比，本文所提方法能够更有效地识别未知类别，并在已知类别上也取得了最优的分类精度。 图3 WHU-Hi-LongKou数据集分类结果 未来，我们将进一步深入探索与优化不确定性在开集识别领域的性能和表现，构建一套成熟、完整的基于不确定性的开集智能识别方案。 上述研究成果发表在遥感领域国际权威杂志《IEEE Transactions on Geoscience and Remote Sensing》: Fengcheng Ji, Wenzhi Zhao, et al. Spectral-Spatial Evidential Learning Network for Open-Set Hyperspectral Image Classification [J]. IEEE Transactions on Geoscience and Remote Sensing, 2024. (IF=8.2，JCR一区，中科院一区)。 论文链接:https://ieeexplore.ieee.org/document/10379821
