關(guān)聯(lián)子域?qū)R網(wǎng)絡(luò)的跨域高光譜圖像分類(lèi)

王浩宇，程玉虎，王雪松

中國(guó)礦業(yè)大學(xué)信息與控制工程學(xué)院，徐州 221116

0 引言

作為遙感領(lǐng)域基礎(chǔ)且重要的研究方向之一，高光譜圖像（hyperspectral image，HSI）分類(lèi)旨在利用HSI 所含的光譜和空間信息對(duì)圖像中每個(gè)像素點(diǎn)進(jìn)行類(lèi)別判斷，進(jìn)而幫助人類(lèi)更為清楚地認(rèn)知所處生存環(huán)境（張晶 等，2020）。近年來(lái)，HSI分類(lèi)成功應(yīng)用于農(nóng)業(yè)、氣候探測(cè)、國(guó)防安全等多個(gè)重要領(lǐng)域（Wang等，2022a）。因而，如何提高對(duì)HSI 的分類(lèi)精度是遙感領(lǐng)域的研究熱點(diǎn)之一。因具有強(qiáng)大的特征提取能力，機(jī)器學(xué)習(xí)在HSI 處理領(lǐng)域取得了令人矚目的研究成果（Hong 等，2021）。早期研究人員利用傳統(tǒng)機(jī)器學(xué)習(xí)方法提高HSI分類(lèi)的精度，包括隨機(jī)森林（葉珍 等，2021）、支持向量機(jī)（Melgani 和Bruzzone，2004）以及決策樹(shù)（Delalieux 等，2012）等。這些傳統(tǒng)的HSI 分類(lèi)方法雖然模型簡(jiǎn)單，但大多數(shù)不能保證分類(lèi)精度。

作為機(jī)器學(xué)習(xí)中重要的方法，深度學(xué)習(xí)在許多計(jì)算機(jī)視覺(jué)任務(wù)上取得了優(yōu)異表現(xiàn)，如圖像處理、目標(biāo)檢測(cè)和自然語(yǔ)言處理等（Chen 等，2019）。深度學(xué)習(xí)可以自動(dòng)學(xué)習(xí)特征，這使其能夠應(yīng)用于多種背景下的任務(wù)。且深度網(wǎng)絡(luò)高級(jí)特征提取能力和泛化能力使其大量應(yīng)用于HSI 分類(lèi)（Zhang 等，2018；梅少輝 等，2021）。Chen 等人（2015）使用深度置信網(wǎng)絡(luò)學(xué)習(xí)HSI的空—譜特征。王芬等人（2021）提出一種深度遞歸殘差神經(jīng)網(wǎng)絡(luò)方法，將殘差網(wǎng)絡(luò)和遞歸網(wǎng)絡(luò)融合進(jìn)一個(gè)框架中，通過(guò)對(duì)HSI 空—譜特征進(jìn)行有效提取完成精準(zhǔn)分類(lèi)。Zhang 等人（2017）提出一種雙通道卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN），分別使用1D-CNN 和2D-CNN 對(duì)HSI 的光譜和空間信息進(jìn)行學(xué)習(xí)，并將具有判別性的空—譜特征輸入分類(lèi)器。

深度網(wǎng)絡(luò)強(qiáng)大的特征表達(dá)能力往往需要大量有標(biāo)記的訓(xùn)練樣本支撐（Liu 等，2021）。眾所周知，隨著新一代衛(wèi)星高光譜傳感器的發(fā)展，研究者可以快速獲取大量未標(biāo)記的HSI，然而對(duì)這些圖像進(jìn)行標(biāo)記還需相關(guān)專(zhuān)家耗費(fèi)大量時(shí)間完成。因此，標(biāo)記樣本不足嚴(yán)重影響深度學(xué)習(xí)方法在高光譜分類(lèi)任務(wù)上的應(yīng)用。為解決上述問(wèn)題，眾多研究者通過(guò)將主動(dòng)學(xué)習(xí)、數(shù)據(jù)增強(qiáng)等方法與深度學(xué)習(xí)將結(jié)合，利用少量標(biāo)記樣本完成了HSI 分類(lèi)任務(wù)。Sun 等人（2016）充分利用主動(dòng)學(xué)習(xí)選擇具有判別性信息的樣本，再結(jié)合樣本信息測(cè)量技術(shù)完成模型訓(xùn)練。Wang 等人（2020）首先構(gòu)建混合模型，再利用數(shù)據(jù)增強(qiáng)技術(shù)完成樣本的擴(kuò)充以充分訓(xùn)練CNN。Li等人（2017）首先主動(dòng)選擇標(biāo)記樣本，然后隨機(jī)選擇兩標(biāo)記樣本生成新的樣本以擴(kuò)充CNN 的訓(xùn)練集。將深度學(xué)習(xí)和數(shù)據(jù)增強(qiáng)技術(shù)融入同一框架，提高了CNN 在高光譜圖像上的分類(lèi)精度。

雖然以上方法能夠在一定程度上緩解因HSI標(biāo)簽獲取不易而導(dǎo)致的模型訓(xùn)練集不充足的問(wèn)題，但其難以在訓(xùn)練集和測(cè)試集分布不一致的分類(lèi)任務(wù)上獲得高精度。遷移學(xué)習(xí)方法適用于此類(lèi)任務(wù)，即跨域高光譜圖像分類(lèi)，其可通過(guò)將學(xué)習(xí)到的領(lǐng)域不變性知識(shí)從標(biāo)記樣本集（源域）遷移到分布相似但不同的另一樣本集中（目標(biāo)域）（Tuia 等，2016）。深度遷移網(wǎng)絡(luò)能夠?qū)W習(xí)到高級(jí)且具有遷移性的特征，其在高光譜分類(lèi)任務(wù)上取得了令人矚目的成果（Ma 等，2019；Wang等，2019）。這源于深度遷移網(wǎng)絡(luò)對(duì)于高級(jí)特征的提取能力和知識(shí)遷移能力，其可利用從數(shù)據(jù)中提取到的不變因子的相關(guān)性對(duì)HSI中的各類(lèi)地物進(jìn)行有效分類(lèi)。Deng 等人（2020）在深度領(lǐng)域適應(yīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過(guò)將源域和目標(biāo)域特征所形成的簇盡量拉近，進(jìn)一步增強(qiáng)了特征的領(lǐng)域不變性。

然而，受光照、傳感器硬件條件限制，被采集到的兩鄰域HSI間往往存在較大分布差異。以上現(xiàn)象給鄰域分布適配帶來(lái)了巨大困難，且常規(guī)遷移學(xué)習(xí)方法未考慮兩域分類(lèi)器的不適配問(wèn)題。本文綜合利用深度學(xué)習(xí)的強(qiáng)特征提取能力和遷移學(xué)習(xí)的領(lǐng)域適配能力，提出一種簡(jiǎn)單且有效的深度遷移網(wǎng)絡(luò)，并命名為關(guān)聯(lián)子域?qū)R網(wǎng)絡(luò)（correlation subdomain alignment network，CSADN），將其應(yīng)用于跨域HSI分類(lèi)。

本文的主要貢獻(xiàn)如下：1）提出一種簡(jiǎn)單且有效的深度遷移學(xué)習(xí)網(wǎng)絡(luò)，合理地將分布適應(yīng)和參數(shù)適應(yīng)相結(jié)合，將源域知識(shí)遷移到無(wú)標(biāo)簽的目標(biāo)域上。網(wǎng)絡(luò)可以?xún)H利用源域標(biāo)記樣本對(duì)目標(biāo)域未標(biāo)記樣本完成分類(lèi)。2）設(shè)計(jì)一種新穎的領(lǐng)域適配層并嵌入網(wǎng)絡(luò)中，通過(guò)對(duì)齊兩域的相關(guān)子領(lǐng)域和分布協(xié)方差，分別從局部和整體上適配兩域一階和二階統(tǒng)計(jì)量差異，進(jìn)而完成兩域的領(lǐng)域適應(yīng)。3）構(gòu)建分類(lèi)器適配模塊并加入所提網(wǎng)絡(luò)中，通過(guò)適配兩域分類(lèi)器的差異增強(qiáng)網(wǎng)絡(luò)的領(lǐng)域適應(yīng)能力，進(jìn)一步提高方法對(duì)目標(biāo)域數(shù)據(jù)的分類(lèi)精度。

1 基于CSADN的高光譜圖像分類(lèi)

1.1 CSADN的HSI分類(lèi)流程

基于CSADN 的跨域HSI 分類(lèi)流程如圖1 所示，主要分為5個(gè)階段。

1）利用波段選擇對(duì)源域和目標(biāo)域原始HSI進(jìn)行預(yù)處理，得到維度統(tǒng)一的兩域輸入和

3）將兩域的深度特征輸入領(lǐng)域適配器中，利用關(guān)聯(lián)對(duì)齊（correlation alignment，CORAL）構(gòu)造協(xié)方差領(lǐng)域適應(yīng)項(xiàng)，同時(shí)利用局部最大平均差異（local maximum mean discrepancy，LMMD）構(gòu)造子域適應(yīng)項(xiàng)，基于協(xié)方差領(lǐng)域適應(yīng)項(xiàng)和子域適應(yīng)項(xiàng)從整體、局部減少兩域一階、二階統(tǒng)計(jì)量差異。

4）構(gòu)造分類(lèi)器適配模塊并加入網(wǎng)絡(luò)中，對(duì)兩域分類(lèi)器差異進(jìn)行適配。然后使用訓(xùn)練好的網(wǎng)絡(luò)對(duì)目標(biāo)域數(shù)據(jù)進(jìn)行分類(lèi)。

1.2 波段選擇

原始HSI 波段數(shù)量多且波段間相關(guān)性較強(qiáng)，因而波段之間存在大量冗余信息。直接將原始HSI輸入CSADN 會(huì)造成網(wǎng)絡(luò)參數(shù)增多，模型性能下降（Wang等，2016）。根據(jù)Liu等人（2020）的方法，使用波段選擇對(duì)原始HSI數(shù)據(jù)進(jìn)行降維處理。定義原始HSI 的波段數(shù)為Nb，首先，每間隔個(gè)波段數(shù)選取原始HSI數(shù)據(jù)中的一個(gè)波段，得到a個(gè)波段組成的HSI。然后，每間隔+1 個(gè)波段數(shù)選取原始HSI數(shù)據(jù)中的一個(gè)波段，得到b個(gè)波段組成的HSI，具體為

1.3 兩域分布領(lǐng)域適應(yīng)

DNN 因其強(qiáng)大的深層特征提取能力，廣泛應(yīng)用于跨域HSI分類(lèi)。然而當(dāng)訓(xùn)練集和測(cè)試集屬于不同數(shù)據(jù)分布時(shí)，DNN 難以學(xué)習(xí)到可遷移知識(shí)（Long 等，2019），從而導(dǎo)致模型分類(lèi)能力不足。為解決上述問(wèn)題，提出CSADN（correlation subdomain alignment network），在DNN 中加入領(lǐng)域適配層，將經(jīng)DNN 提取的深層、具有判別性的源域和目標(biāo)域特征同時(shí)進(jìn)行全局二階統(tǒng)計(jì)量和每類(lèi)相關(guān)子域一階統(tǒng)計(jì)量對(duì)齊。

CSADN 是由全連接層、非線性層、領(lǐng)域適配層以及softmax 層構(gòu)成的前饋神經(jīng)網(wǎng)絡(luò)。將降維后的源域和目標(biāo)域數(shù)據(jù)輸入CSADN 中，經(jīng)由全連接層和非線性層構(gòu)成的特征提取器提取特征。全連接層輸入為

式中，I 為全連接層輸入，第1 層全連接層的輸入為I=X0，b1為偏置。將全連接層輸出作為輸入連接到非線性層，非線性層輸出為

加入領(lǐng)域適配層以適配兩域分布差異，后將領(lǐng)域適配層的輸出連接到softmax 層。CSADN 的損失函數(shù)定義為

在跨域高光譜圖像場(chǎng)景下，源域和目標(biāo)域的高光譜數(shù)據(jù)可能在不同地理區(qū)域或在不同時(shí)間的條件下采集得到。由于采集條件存在較大差異（例如照明、視角、土壤濕度和地形），兩域數(shù)據(jù)的光譜特征會(huì)產(chǎn)生偏移，致使兩域的整體數(shù)據(jù)分布存在差異。僅利用源域的標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練得到的特征提取器，難以對(duì)目標(biāo)域數(shù)據(jù)的特征進(jìn)行有效提取。因此，需要加入?yún)f(xié)方差適應(yīng)項(xiàng)，通過(guò)最小化兩域整體特征的協(xié)方差差異，從二階統(tǒng)計(jì)量上對(duì)兩域整體特征進(jìn)行對(duì)齊。根據(jù)Sun 和Saenko（2016）的方法，協(xié)方差領(lǐng)域適應(yīng)項(xiàng)可表示為

式中，d1為領(lǐng)域適配層輸入的維度，Cs和Ct分別表示源域和目標(biāo)域特征的協(xié)方差矩陣。

然而，僅對(duì)整體特征進(jìn)行領(lǐng)域適應(yīng)可能會(huì)造成不同類(lèi)別的細(xì)粒度信息丟失，并致使特征提取器難以學(xué)習(xí)到具有鑒別性的特征，圖2（a）是一個(gè)可呈現(xiàn)此種現(xiàn)象的直觀例子（Zhu 等，2021）。因此，在對(duì)整體特征領(lǐng)域適應(yīng)的同時(shí)，考慮對(duì)兩域局部特征進(jìn)行領(lǐng)域適應(yīng)。利用基于LMMD的子域適應(yīng)項(xiàng)將兩域中每類(lèi)作為一個(gè)子域，嵌入到再生核希爾伯特空間中。通過(guò)反向傳播最小化兩域子域在該空間的希爾伯特—施密特范數(shù)，進(jìn)而在一階統(tǒng)計(jì)量上對(duì)兩域的局部特征進(jìn)行對(duì)齊，圖2（b）是一個(gè)可呈現(xiàn)此種現(xiàn)象的直觀例子（Zhu 等，2021）。子域適應(yīng)項(xiàng)可表示（Zhu等，2021）為

圖2 整體特征領(lǐng)域適應(yīng)和局部特征領(lǐng)域適應(yīng)示意圖Fig.2 Sketch map of global feature domain adaptation and local feature domain adaptation（（a）global feature domain adaptation；（b）local feature domain adaptation）

式中，?(·)為特征提取器，其可將X0映射到特征空間。

1.4 兩域分類(lèi)器適應(yīng)

面對(duì)差異較大的跨域高光譜圖像分類(lèi)場(chǎng)景，僅從特征層面對(duì)兩域分布進(jìn)行對(duì)齊并不能徹底消除兩域數(shù)據(jù)之間的差異，因而在經(jīng)特征領(lǐng)域適應(yīng)后的源域分類(lèi)器不適合直接應(yīng)用于目標(biāo)域。在實(shí)際應(yīng)用中，通常無(wú)法檢查源域分類(lèi)器和目標(biāo)域分類(lèi)器是否可完全共享。因此，考慮設(shè)計(jì)分類(lèi)器適配模塊，假設(shè)源域分類(lèi)器和目標(biāo)域分類(lèi)器之間存在一個(gè)小的殘差函數(shù)，通過(guò)反向傳播，使殘差函數(shù)捕捉到兩域之間的領(lǐng)域差異，利用低密度分離準(zhǔn)則，使目標(biāo)域分類(lèi)器能更好地適應(yīng)目標(biāo)域數(shù)據(jù)。同時(shí)從特征層面和分類(lèi)器層面進(jìn)行聯(lián)合領(lǐng)域適應(yīng)，進(jìn)一步提高模型對(duì)于目標(biāo)域數(shù)據(jù)的分類(lèi)精度。

根據(jù)Long 等人（2016）的方法，為保證領(lǐng)域適應(yīng)的可行性，假設(shè)兩分類(lèi)器相關(guān)且僅相差一個(gè)殘差函數(shù)Δf(x)，此殘差函數(shù)可通過(guò)源域標(biāo)記樣本和目標(biāo)域無(wú)標(biāo)記樣本學(xué)習(xí)得到，將此函數(shù)表示為

式中，fs(x)和ft(x)分別為源域和目標(biāo)域分類(lèi)器。鑒于神經(jīng)網(wǎng)絡(luò)強(qiáng)大的函數(shù)擬合能力，構(gòu)建由多層全連接層組成的分類(lèi)器適配模塊以充分?jǐn)M合源域分類(lèi)器和目標(biāo)域分類(lèi)器之間的殘差函數(shù)。首先，利用目標(biāo)域分類(lèi)器得到源域預(yù)測(cè)概率向量，然后使用分類(lèi)適配器得到源域預(yù)測(cè)概率差異向量。最后，將源域預(yù)測(cè)概率向量和源域預(yù)測(cè)概率差異向量相加得到源域分類(lèi)結(jié)果。分類(lèi)器適配模塊的參數(shù)由源域分類(lèi)損失通過(guò)反向傳播機(jī)制學(xué)習(xí)得到，源域分類(lèi)損失為

1.5 算法描述

輸入：源域原始高光譜數(shù)據(jù)Xs，目標(biāo)域原始高光譜數(shù)據(jù)Xt，源域標(biāo)簽Ys，協(xié)方差領(lǐng)域適應(yīng)參數(shù)α1，子域適應(yīng)參數(shù)α2和訓(xùn)練次數(shù)K，批大小（batch size）為nb。

輸出：目標(biāo)域預(yù)測(cè)標(biāo)簽Yt。

1）根據(jù)式（1）對(duì)源域和目標(biāo)域原始高光譜數(shù)據(jù)進(jìn)行波段選擇，得到維度統(tǒng)一的高光譜數(shù)據(jù)和。

2）隨機(jī)初始化CSADN的網(wǎng)絡(luò)參數(shù)。

3）forkin 1：Kdo

利用α1、α2、LCORAL、LLMMD和Ls，根據(jù)式（4）計(jì)算總損失值L。

總損失值L反向傳播訓(xùn)練CSADN。

4）end for

2 實(shí)驗(yàn)分析

2.1 HSI數(shù)據(jù)集

選擇來(lái)自?xún)蓚€(gè)遙感傳感器采集的真實(shí)HSI用于實(shí)驗(yàn)。

1）博茨瓦納（Botswana，BOT）數(shù)據(jù)集組（Liu 等，2021）（BOT5、BOT6和BOT7）：3幅HSI是經(jīng)由同一傳感器于2001年5月、6月和7月對(duì)南非博茨瓦納同一區(qū)域拍攝得到，包含1 476 × 256個(gè)像素點(diǎn)，242個(gè)波段。3幅HSI有9種相同的確定地物類(lèi)別，即暴露土壤、消防車(chē)、島嶼內(nèi)部、河岸、稀樹(shù)大草原、短豆木、泛濫平原、林地和水。具體偽色彩圖和標(biāo)簽圖如圖3所示。

圖3 Botswana數(shù)據(jù)集Fig.3 Botswana dataset

2）休斯頓（Houston）數(shù)據(jù)集（Zhou 和Prasad，2017）（Bright 和shallow）：兩幅HSI 是經(jīng)由ITRESCASI 1500傳感器在美國(guó)休斯頓上空拍攝得到，其包括349 × 1 905 個(gè)像素點(diǎn)，144 個(gè)波段。由于受云遮擋，休斯頓可分為Houston bright 和Houston shadow，它們的偽色彩圖和標(biāo)簽圖如圖4所示。

圖4 Houston數(shù)據(jù)集Fig.4 Houston dataset（（a）Houston false color map；（b）marking sample of bright part；（c）marking samples of shaded parts）

2.2 實(shí)驗(yàn)設(shè)置

為驗(yàn)證所提CSADN的有效性和優(yōu)越性，選擇10種分類(lèi)器進(jìn)行對(duì)比。具體包括：聯(lián)合分布適配（joint distribution adaptation，JDA）（Long 等，2013）、測(cè)地線流式核方法（geodesic flow kernel，GFK）（Gong 等，2012）、深度自適應(yīng)網(wǎng)絡(luò)（deep adaptation networks，DAN）（Long 等，2019）、深度相關(guān)對(duì)齊（deep correlation alignment，DCORAL）（Sun和Saenko，2016）、域自適應(yīng)神經(jīng)網(wǎng)絡(luò)（domain adaptive neural network，DANN）（Ganin 和Lempitsky，2015）、無(wú)監(jiān)督的深度域適 應(yīng)（unsupervised deep domain adaptation，M_RECON）（Li等，2019）、對(duì)抗域自適應(yīng)網(wǎng)絡(luò)（adversarial domain adaptation network，ADAN）（Ma 等，2021）、深度子領(lǐng)域自適應(yīng)網(wǎng)絡(luò)（deep subdomain adaption network，DSAN）（Zhu等，2021）、跨域?qū)Ρ葘W(xué)習(xí)（cross-domain contrastive learning，CDCL）（Sun 等，2022）和知識(shí)引導(dǎo)的無(wú)監(jiān)督領(lǐng)域自適應(yīng)（knowledge guided unsupervised domain adaptation，KUDA）（Wang等，2022b）。

總計(jì)4 組數(shù)據(jù)對(duì)用于實(shí)驗(yàn)，分別是BOT5-6、BOT6-7、BOT7-5 和Houston bright-shallow。組成數(shù)據(jù)對(duì)的兩數(shù)據(jù)集分別作為源域和目標(biāo)域。實(shí)驗(yàn)設(shè)置如下：

1）使用Python3.6 的PyTorch 框架，在硬件配置為Intel Core i7-6850K CPU，Nvidia GeForce GTX 1080 Ti和32 GB內(nèi)存的電腦上完成；

2）對(duì)比算法在4 組對(duì)比實(shí)驗(yàn)上的超參數(shù)均采用網(wǎng)格搜索法設(shè)置；

3）網(wǎng)絡(luò)結(jié)構(gòu)如表1 所示，設(shè)置學(xué)習(xí)率為0.01，batch size=64，領(lǐng)域適應(yīng)參數(shù)和協(xié)方差領(lǐng)域適應(yīng)參數(shù)分別為α1=0.8和α2=0.6；

表1 CSADN的網(wǎng)絡(luò)結(jié)構(gòu)Table 1 Network structure of CSADN

4）實(shí)驗(yàn)選用3 個(gè)性能指標(biāo)，分別為：每類(lèi)地物的分類(lèi)精度、總體精度（overall accuracy，OA）和Kappa系數(shù)。每個(gè)實(shí)驗(yàn)均經(jīng)過(guò)波段選擇預(yù)處理，后獨(dú)立進(jìn)行10次，然后取平均值。

2.3 對(duì)比實(shí)驗(yàn)

Botswana和Houston數(shù)據(jù)集實(shí)驗(yàn)分組情況如表2和表3所示，所有算法在4個(gè)數(shù)據(jù)對(duì)上的實(shí)驗(yàn)結(jié)果如表4—表7 所示，不同算法在Botswana 數(shù)據(jù)集BOT5-6 分組的實(shí)驗(yàn)分類(lèi)效果如圖5 所示，原始HSI 和經(jīng)CSADN 提取特征的t-SNE（t-distributed stochastic neighbor embedding）可視化圖如圖6所示。

表2 Botswana數(shù)據(jù)集實(shí)驗(yàn)分組Table 2 Experimental groups from Botswana dataset

表3 Houston數(shù)據(jù)集實(shí)驗(yàn)分組Table 3 Experimental groups from Houston dataset

表4 分類(lèi)性能對(duì)比（BOT5-6數(shù)據(jù)集）Table 4 Classification performance comparison（BOT5-6 dataset） /%

表5 分類(lèi)性能對(duì)比（BOT6-7數(shù)據(jù)集）Table 5 Classification performance comparison（BOT6-7 dataset） /%

表6 分類(lèi)性能對(duì)比（BOT7-5數(shù)據(jù)集）Table 6 Classification performance comparison（BOT7-5 dataset） /%

表7 分類(lèi)性能對(duì)比（Houston bright-shallow）Table 7 Classification performance comparison（Houston bright-shallow） /%

圖5 分類(lèi)效果圖（BOT5-6）Fig.5 Classification effect map（BOT5-6）

圖6 原始HSI和經(jīng)CSADN提取特征的t-SNE可視化圖Fig.6 The t-SNE visualization of original HSI and features extracted by CSADN（（a）original HSI features（BOT5-6）；（b）features extracted by CSADN（BOT5-6）；（c）original HSI features（BOT6-7）；（d）features extracted by CSADN（BOT6-7）；（e）original HSI features（BOT7-5）；（f）features extracted by CSADN（BOT7-5）；（g）original HSI features（Houston bright-shallow）；（h）features extracted by CSADN（Houston bright-shallow））

由表2—表7以及圖5和圖6，可得出以下結(jié)論：

1）相較于傳統(tǒng)遷移學(xué)習(xí)算法，DAN、DCORAL、DANN、DSAN、M_RECON、ADAN、CDCL、KUDA 和CSADN在所有數(shù)據(jù)集上的分類(lèi)精度和Kappa 系數(shù)都較高。這是因?yàn)閷⑸疃染W(wǎng)絡(luò)與遷移學(xué)習(xí)相結(jié)合得到的深度遷移學(xué)習(xí)模型能夠?qū)W習(xí)到更加高級(jí)且更具有遷移性的特征，更適用于處理具有復(fù)雜光譜特征的HSI。

2）相較于DCORAL、DANN、M_RECON 和ADAN，所提方法展現(xiàn)出了更高的分類(lèi)性能。這是因?yàn)镃SADN 在進(jìn)行整體分布對(duì)齊的同時(shí)，通過(guò)對(duì)兩域局部特征進(jìn)行領(lǐng)域適應(yīng)，捕捉每個(gè)類(lèi)別細(xì)?；男畔ⅰ?/p>

3）相較于DSAN，所提方法在分類(lèi)任務(wù)上取得了更優(yōu)越的表現(xiàn)。這是由于CSADN 既拉近兩域邊緣概率分布，又拉近了它們的條件概率分布。

4）相較于應(yīng)用于計(jì)算機(jī)視覺(jué)領(lǐng)域的先進(jìn)算法CDCL 和KUDA，CSADN 在4 組高光譜實(shí)驗(yàn)數(shù)據(jù)集上均取得了較高的分類(lèi)精度。這是由于受照明、視角、土壤濕度和地形等采集條件的影響，采集到的不同域的高光譜圖像易出現(xiàn)較大領(lǐng)域偏移現(xiàn)象，進(jìn)而導(dǎo)致僅通過(guò)特征層面對(duì)兩域分布進(jìn)行對(duì)齊并不能徹底消除兩域數(shù)據(jù)之間的差異。相較于應(yīng)用于不同域自然圖像分類(lèi)的CDCL和KUDA，所提方法不僅對(duì)兩域特征進(jìn)行對(duì)齊，還進(jìn)行了分類(lèi)器適配，進(jìn)一步減少了兩域領(lǐng)域差異。

5）所提方法在所有數(shù)據(jù)對(duì)上均取得了最高的OA 和Kappa 系數(shù)，原因分析如下：CSADN 能夠提取原始數(shù)據(jù)中深層的特征；對(duì)兩域二階統(tǒng)計(jì)量進(jìn)行了適配；在類(lèi)別層面上適配兩域分布；對(duì)兩域分類(lèi)器差異進(jìn)行了適配。

此外，使用一種可以對(duì)高維數(shù)據(jù)進(jìn)行可視化的方法（t-SNE）在4組實(shí)驗(yàn)數(shù)據(jù)集上對(duì)HSI的原始特征和經(jīng)過(guò)CSADN 進(jìn)行領(lǐng)域適應(yīng)之后的特征進(jìn)行了可視化。如圖6 所示，相較于HSI 的原始特征（目標(biāo)域），經(jīng)過(guò)領(lǐng)域適應(yīng)后的兩域特征分布的協(xié)方差差異減少，質(zhì)心更為接近；經(jīng)CSADN 提取后的特征具有較高的類(lèi)間差異性和較低的類(lèi)內(nèi)差異性。

3 結(jié)論

本文提出了一種名為CSADN 的跨域高光譜圖像分類(lèi)方法。主要內(nèi)容包括以下3 個(gè)方面：1）利用關(guān)聯(lián)對(duì)齊從整體上對(duì)齊了兩域的二階統(tǒng)計(jì)量信息，實(shí)現(xiàn)兩域的整體特征分布對(duì)齊；2）通過(guò)減少兩域局部最大均值差異對(duì)齊了相關(guān)子域的一階統(tǒng)計(jì)量信息，實(shí)現(xiàn)兩域的局部特征分布對(duì)齊；3）通過(guò)構(gòu)建分類(lèi)器適配模塊并加入所提方法中，實(shí)現(xiàn)兩域分類(lèi)器差異適配。

對(duì)比于其他方法，CSADN 在4 組真實(shí)數(shù)據(jù)對(duì)上均能取得最高的OA 和Kappa。經(jīng)過(guò)CSADN 領(lǐng)域適應(yīng)后的兩域特征分布的協(xié)方差差異減少，質(zhì)心更為接近。

CSADN 中使用了目標(biāo)域偽標(biāo)簽，其質(zhì)量會(huì)影響方法的領(lǐng)域適應(yīng)效果。考慮在未來(lái)的工作中，將偽標(biāo)簽優(yōu)化技術(shù)加入CSADN 中，以進(jìn)一步優(yōu)化方法的性能。