Group Lasso-Based Band Selection for Hyperspectral Image Classification

基于组套索的波段选择用于高光谱图像分类

贡献：
首先，是第一个介绍针对HSI的多标签土地覆被分类的频带选择问题的组套索算法的。其次，讨论了与HSIs特性相关的应用问题，并通过大量的实验和分析对性能进行了研究。
基础：
Lasso算法能够同时完成子集选择和线性回归的任务。
原始套索算法：原lasso算法在普通最小二乘估计中引入了一个l1-范数惩罚项，如下所示，并使线性回归问题的解具有稀疏性，调整正则化参数λ以控制解的稀疏度。

本算法的创新点：
1、 用(负)对数似然函数替换最小二乘项外。GLBS算法被表述为(4)的(负)多项对数似然函数的极小化，并以系数矩阵矩阵的l1范数约束。所谓的(4)就是用来求解多项式分类问题的最大似然函数。
2、 在系数向量β的元素级别定义l1-范数约束。使用λ值来确保递增插入，随着λ值的减小，GLBS的基础套索属性可确保将频带递增地插入到最终分类模型中。稀疏罚项由整个矩阵的l1-范数变为系数行的l1-范数，保证了所实现的矩阵的行级稀疏性。βj代表某个光谱带j对所有K个土地覆盖类别的影响，因此β的行级稀疏性意味着将仅选择光谱带的一个子集，并且每个选定的带将有助于对所有光谱分类。
本文于其他文章不同的一个点：使用原始数据，不采取归一化
理由：尽管零均值和单位方差标准化可以帮助在严重吸收下扩大那些频率的信号差异，但它也将在整个频带上以固定的测量灵敏度来放大信号的噪声水平。 这将带来额外的噪音，从而导致分类准确性下降。 因此，最好不要经过标准化阶段而直接使用原始数据。

如有什么不正确的地方请指教，多多谅解！