用于高光谱图像分割的深度全局聚类

本文介绍了深度全局聚类 (DGC)，这是一个用于高光谱图像分割的新框架，旨在解决处理大型数据集的计算限制。 关键创新在于其内存高效的方法，它从局部补丁观察中学习全局聚类结构，而无需依赖预训练。 这对于预训练模型可能无法很好地迁移的特定领域应用尤其重要。 本文强调了 DGC 在消费级硬件上快速训练的潜力，以及它在叶片疾病检测等任务中的有效性。 然而，它也承认了与优化稳定性相关的挑战，特别是集群过度合并的问题。 本文的价值在于其概念框架以及它对该领域无监督学习挑战的见解。

• •提出了用于内存高效高光谱图像分割的深度全局聚类 (DGC)。
• •DGC 从局部补丁中学习全局聚类，无需预训练，适用于特定领域的应用。
• •在叶片疾病数据集上取得了良好的性能，展示了背景组织分离和无监督疾病检测。
• •将优化不稳定（集群过度合并）确定为关键挑战。
• •提供了用于重现性的代码和数据。