This is a reproduction of Learning and Transferring Deep Joint Spectral-Spatial Features for Hyperspectral Classification.
- pytorch 1.3
- scikit-learn
- scipy
- visdom
模型分别在PaviaU，Salinas和KSC这三个基准数据集上进行测试。实验总共分为三组，分别为每类样本量为10，每类样本量为50和每类样本量为100。为了减少误差，每组实验分别进行10次，最终的准确率取10次实验的均值。源域与目标域对分别为：Pavia-PaviaU, Indian pines-Salinas, Indian pines-KSC。
在PaviaU数据集上的准确率（%）如下表所示：
| PaviaU | |||||
| 10 | 50 | 100 | |||
| mean | std | mean | std | mean | std |
| 78.61 | 1.88 | 90.69 | 0.71 | 94.76 | 0.45 |
学习曲线如下所示：
在Salinas数据集上的准确率（%）如下表所示：
| Salinas | |||||
| 10 | 50 | 100 | |||
| mean | std | mean | std | mean | std |
| 77.54 | 1.24 | 87.01 | 0.97 | 90.25 | 0.45 |
学习曲线如下所示：
在KSC数据集上的准确率（%）如下表所示：
| KSC | |||||
| 10 | 50 | 100 | |||
| mean | std | mean | std | mean | std |
| 82.29 | 1.48 | 96.61 | 0.67 | 99.15 | 0.34 |
学习曲线如下所示：
预训练模型 python train.py --name xx --epoch xx --lr xx
Fine-tuning python CrossTrain.py --name xx --epoch xx --lr xx