토폴로지 기반 인접 학습을 통한 소스 데이터 불필요 하이퍼스펙트럴 영상의 장면 간 분류

Topology-Aware Neighborhood Learning for Source-Free Cross-Scene Hyperspectral Image Classification

도메인 적응은 다양한 환경에서의 하이퍼스펙트럴 영상 분류 성능을 크게 향상시켰지만, 개인 정보 보호 규정이나 저장 용량 제한으로 인해 소스 도메인의 데이터 접근이 어려울 수 있습니다. 이러한 제약 조건으로 인해 기존의 도메인 적응 방법은 실제 원격 감지 시나리오에서 활용하기 어렵습니다. 본 연구에서는 이러한 문제를 해결하기 위해 토폴로지 정보를 고려한 소스 데이터 불필요 학습 프레임워크를 제안합니다. 먼저, 엔트로피 기반 신뢰도와 시간 예측 모멘텀을 활용하여 k-평균 할당을 개선하는 엔트로피 모멘텀 가짜 레이블링(EMP) 기법을 도입했습니다. 개선된 가짜 레이블의 지침에 따라, 문맥적 인접 토폴로지(CNT)를 사용하여 대상 특징 공간의 고유한 기하학적 구조를 활용합니다. CNT는 협력 표현을 통해 추출된 전역 구조 정보와 최근접 이웃 검색을 통해 모델링된 지역 유사성 정보를 결합하여 대상 도메인 특징 공간에서 매니폴드 수준의 기하학적 특성을 종합적으로 인코딩합니다. 전체적인 목표 함수는 개선된 가짜 레이블에 대한 교차 엔트로피, 로그 내적 기반 토폴로지 일관성 및 정보 최대화 항을 통합하여 소스 데이터가 없는 환경에서도 안정적인 적응을 보장합니다. 세 가지 일반적인 장면 간 시나리오에서의 광범위한 실험 결과는 제안된 방법이 최첨단 기술보다 우수한 성능을 달성함을 보여주며, 추가 분석은 각 모듈의 기여도를 검증합니다. 이러한 결과는 소스 데이터 없이도 강력하고 정확한 분류를 달성하기 위한 토폴로지 기반 모델링의 중요한 역할을 강조합니다.

Domain adaptation has advanced cross-scene hyperspectral image classification, significantly improving discriminative capability in complex scenarios. However, privacy rules or storage limits often block access to data from the source domain. Conventional domain adaptation methods become impractical, severely restricting their utility in realistic remote sensing scenarios. To tackle this challenge, we propose a topology-aware source-free learning framework. We first introduce the entropy momentum pseudo-labeling (EMP) to refine k-means assignments by leveraging entropy-aware confidence and temporal prediction momentum. Under the guidance of the refined pseudo-labels, we further utilize the contextual neighborhood topology (CNT) to exploit the intrinsic geometric structure of the target feature space. Combining the global structural information extracted by collaborative representation with the local similarity information modeled by nearest neighbor search, the CNT accomplishes the comprehensive encoding of manifold-level geometric properties in the target domain feature space. The overall objective integrates cross-entropy on refined pseudo-labels, log inner product-based topology consistency, and an information-maximization term for balanced classification, ensuring stable adaptation in the source-free setting. Extensive experiments on three typical cross-scenarios demonstrate that the proposed method exceeds state-of-the-art performance, and ablation studies further validate the contribution of each module. The results highlight the critical role of topology-aware modeling in achieving robust and accurate classification without source data.