近日，北京理工大学信息与电子学院博士生张宇翔、李伟教授、陶然教授，湖北大学彭江涛教授，和密西西比州立大学杜谦教授共同合作，提出子空间和分布判别协同对齐(Discriminative cooperative alignment, DCA)方法用于高光谱图像跨场景分类。研究结果以《Cross-Scene Hyperspectral Image Classification with Discriminative Cooperative Alignment》为题，发表在顶级期刊美国电气和电子工程师协会地学与遥感汇刊[IEEE Transactions on Geoscience and Remote Sensing, 2020](影响因子IF:5.855)。

图1. 提出的DCA流程图，包括子空间对齐、分布对齐和数据重构

在高光谱图像分类应用中，利用源场景中的训练样本对新获得的无标签样本的目标场景进行分类，这一挑战被称为跨场景分类任务。即训练样本和测试样本分别是已有标签的源域数据和没有标签的目标域数据，该任务目的在于利用源域数据去训练的模型，迁移源域上的共享知识到目标域并对目标域数据进行分类，实现模型对不同场景的迁移。具有相似场景的标记类可以用作训练样本。高光谱图像在获取的过程不可避免地受到各种因素的影响，比如传感器非线性参量不同，同一地表覆盖类别在不同尺度、不同季节和天气条件物质组成不同，这就导致同一地物在源域和目标域在光谱反射率上存在差异。因此，在直接利用源场景对目标场景进行分类时，常常会遇到谱偏移问题。

传统的领域自适应方法大多通过学习域不变子空间来减少统计偏移，而忽略了当源域和目标域的边缘分布差异很大时可能不存在公共子空间的问题；此外，保留原始空间中判别信息对于高光谱图像跨场景分类也是很重要的。基于上述分析，本文提出子空间和分布判别协同对齐方法减少几何和统计偏移；在该框架中，既考虑几何对齐，又考虑统计对齐，在保留判别信息的同时学习两个域的子空间。为了增强子空间投影的鲁棒性，文章进一步引入了重构约束。在三个高光谱图像跨场景的公开数据集上实验结果表明，所提出的DCA方法明显优于现有的领域自适应方法。

论文链接：https://doi.org/10.1109/TGRS.2020.3046756