第12组 Alpha （1/3）

目录

一、过去完成的任务

1.制定了小组成员分工

2.进行了相关知识的初步学习

3.对高光谱图像分类进行学习

二、燃尽图

三、例会照片

---

一、过去完成的任务

        在第一周中，我们小组举行了线下的站立会议，集体讨论凝聚团队智慧，并在课下时间积极工作，在以下几个方面上取得进展。

1.制定了小组成员分工

        （1）来轩羽、李发文：web后端的学习与程序编写，将主要功能实现迁移到web中。

        （2）舒康恒、孙铭君：web前端的学习与程序编写，构建一个美观、功能齐全的web网站。

        （3）崔轩铭、曹聪语：负责学习python，将高光谱图像分类用python初步实现。

2.进行了相关知识的初步学习

其中两人主要学习web前端，两人负责学习web后端，两人负责python与高光谱图像分类的学习。

3.对高光谱图像分类进行学习

（1）简介

        高光谱图像分类（HSI）被广泛应用于遥感图像分析，而CNN是视觉数据处理中应用最广泛的深度学习方法。近期也有大量科学实验进展将CNN应用于高光谱图像分类（HSI），但这些方法大多都是基于2D CNN网络，而高光谱分类的结果主要依赖于空间信息和光谱信息。目前很少有人使用3D CNN网络，主要是因为它大大增加了计算复杂度。基于此，这篇文章作者提出一个全新的思路，就是将2D CNN和3D CNN进行结合，生成一个新的网络HybridSN，并用它来进行高光谱分类。该网络利用3D卷积提取空间特征和光谱特征，然后利用2D卷积学习抽象的空间特征。同时，HybridSN网络相比于3D CNN网络，也降低了模型的复杂度。
（2）定义HybridySN

class_num = 16

class HybridSN(nn.Module):
  def __init__(self):
    super(HybridSN, self).__init__()
    self.conv3d_1 = nn.Sequential(
        nn.Conv3d(1, 8, kernel_size=(7, 3, 3), stride=1, padding=0),
        nn.BatchNorm3d(8),
        nn.ReLU(inplace = True),
    )
    self.conv3d_2 = nn.Sequential(
        nn.Conv3d(8, 16, kernel_size=(5, 3, 3), stride=1, padding=0),
        nn.BatchNorm3d(16),
        nn.ReLU(inplace = True),
    ) 
    self.conv3d_3 = nn.Sequential(
        nn.Conv3d(16, 32, kernel_size=(3, 3, 3), stride=1, padding=0),
        nn.BatchNorm3d(32),
        nn.ReLU(inplace = True)
    )

    self.conv2d_4 = nn.Sequential(
        nn.Conv2d(576, 64, kernel_size=(3, 3), stride=1, padding=0),
        nn.BatchNorm2d(64),
        nn.ReLU(inplace = True),
    )
    self.fc1 = nn.Linear(18496,256)
    self.fc2 = nn.Linear(256,128)
    self.fc3 = nn.Linear(128,16)
    self.dropout = nn.Dropout(p = 0.4)

  def forward(self,x):
    out = self.conv3d_1(x)
    out = self.conv3d_2(out)
    out = self.conv3d_3(out)
    out = self.conv2d_4(out.reshape(out.shape[0],-1,19,19))
    out = out.reshape(out.shape[0],-1)
    out = F.relu(self.dropout(self.fc1(out)))
    out = F.relu(self.dropout(self.fc2(out)))
    out = self.fc3(out)
    return out

（3）创建数据集

# 对高光谱数据 X 应用 PCA 变换
def applyPCA(X, numComponents):
    newX = np.reshape(X, (-1, X.shape[2]))
    pca = PCA(n_components=numComponents, whiten=True)
    newX = pca.fit_transform(newX)
    newX = np.reshape(newX, (X.shape[0], X.shape[1], numComponents))
    return newX

# 对单个像素周围提取 patch 时，边缘像素就无法取了，因此，