DW-D 3 A: dynamische gewichtete dualgesteuerte Domänenanpassung für die hyperspektrale Bildklassifizierung über Szenen hinweg

Die Domänenanpassung (DA) bietet eine effektive Möglichkeit, die Merkmalsverteilungen des Quellbereichs (SD) und des Zielbereichs (TD) auszurichten, ohne dass Zielproben mit Beschriftungen erforderlich sind. Als Methode der DA realisiert das Lernen von Repräsentationen effektiv die Ausrichtung der Merkmalsverteilungen in verschiedenen Bereichen durch den Transfer von Domänenwissen. Jedoch konzentrieren sich bestehende Methoden des Repräsentationslernens häufig auf den einseitigen Repräsentationstransfer, was potenziell zu Transferverzerrungen führt. Darüber hinaus ignorieren die meisten Methoden die Verbindung zwischen der Domänenanpassung und der Diskriminierung während des DA-Prozesses, was leicht zu negativem Transfer führt. Diese Arbeit schlägt ein dynamisch gewichtetes dualgesteuertes Domänenanpassungsmodell (DW-D 3A) vor, das die oben genannten Probleme effektiv durch bilateralen Merkmalstransfer zwischen den Domänen und ein dynamisches Gewichtungsschema angeht. Technisch schlagen wir zunächst ein dualgesteuertes Domänenanpassungsmodell (D 3A) vor, das symmetrische Strukturen verwendet, um den Wissenstransfer von bilateralen Repräsentationen zwischen Quell- und Zielbereich-Proben zu erleichtern, und die Unterräume der beiden Domänen erlernt, während es die Verteilungsdifferenzen zwischen den Unterräumen durch eine von gemeinsamer Verteilung gesteuerte Ausrichtung verringert. Dieser Prozess mildert die Transferverzerrung und geht über frühere einseitige Transfermethoden hinaus. Dann, um starke Einschränkungen bei der Projektion von SD und TD in denselben Unterraum in bestehenden Ansätzen zu mildern, wenden wir eine entspannte Unterraumeinschränkung an, um die Projektionen von SD und TD näher zu bringen. Darüber hinaus wird die Datenrekonstruktion integriert, um discriminante Informationen aus den Originaldaten zu bewahren. Schließlich erweitern wir (D 3A) zu DW-D 3A unter Verwendung eines dynamischen Gewichtungsschemas, das die Gewichte anpasst, die der Domänenanpassung und der Diskriminierung basierend auf ihrer Bedeutung zugewiesen werden, um negativen Transfer zu hemmen. Umfangreiche Experimente zu drei Datensätzen zeigen, dass DW-D 3A sieben andere DA-Methoden übertrifft und seine überlegene Leistung zeigt.