摘要

在训练样本有限的情况下对高光谱图像（HSI）进行分类是一项具有挑战性的任务。生成对抗网络（GAN）作为一种有前景的技术，能够有效缓解小样本问题。GAN通过生成器与判别器之间的对抗机制生成新样本。然而，由于高光谱图像具有复杂的空谱联合分布特性，传统GAN难以生成高质量的合成样本，这可能导致判别器性能进一步下降。为解决这一问题，本文提出一种基于协同学习与注意力机制的对称卷积GAN（CA-GAN）。在CA-GAN中，生成器与判别器不仅存在对抗关系，还实现协同合作：判别器中真实多类样本的浅层至深层特征被用于指导生成器的样本生成过程。在生成器中，设计了一种联合空谱硬注意力模块，该模块基于多分支卷积网络构建动态激活函数，能够有效逼近真实高光谱图像在光谱与空间维度上的分布特性，同时抑制冗余、误导性及混淆信息。在判别器中，引入卷积长短期记忆网络（convolutional LSTM）层，以同步提取空间上下文特征并捕捉长期光谱依赖关系。通过强制判别器与生成器之间进行竞争与协同学习，显著提升了判别器的分类性能。在多个高光谱图像数据集上的实验结果表明，与现有先进方法相比，CA-GAN在训练样本数量有限的条件下仍能取得优异的分类效果，验证了其在小样本场景下的有效性与鲁棒性。