BS-Nets: An End-to-End Framework For Band Selection of Hyperspectral Image
选用波段选择的原因:保留了包含在HSI中的主要物理属性,鲁棒性强。
波段选择分为有监督和无监督:无监督又可分为基于排序和基于聚类。基于排序的无监督波段选择方法主要是根据某个度量准则来评价每个波段的重要性,如非高斯度,方差,互信息等;基于聚类的无监督波段选择方法以最小化类内的方差,最大化类间的方差为目标将波段分成不同的类,然后在每个类中选择出聚类中心作为最有代表性的波段,达到了去除波段间冗余性的目的。
基于聚类的有子空间聚类(ISSC)和稀疏非负矩阵分解聚类(SNMF)
基于排序的最大方差主成分分析(MVPCA,稀疏表示(SpaBS)和基于几何的波段选择(OPBS)等等。(PS:之所以提到是因为后面的对比算法用到了。)
本文成立的条件是:假设光谱波段可以用少量的信息波段进行稀疏重建。
本文的贡献:
1): 提出了一种基于深度神经网络的端到端波段选择框架,用于学习光谱波段之间的非线性相关性。
2) 我们根据不同的应用场景实现了两个不同的BS-Net,即基于频谱的BSNet-FC和基于频谱空间的BS-Net-Conv。
3) 我们从分类性能和定量评估等方面对拟议的BS-Nets框架进行了广泛的评估,表明BS-Nets可以实现最新的结果。
本文的重点或许就是这个了:
Attention Mechanism:注意力被定义为一种使可用处理资源的分配偏向于输入信号的信息量最大的方法。文中虽然这样说,但是最好的理解方式就是