文献阅读《Multiscale Densely-Connected Fusion Networks for
Hyperspectral Images Classification》
目录
一、高光谱图像背景介绍
普通的图像是RGB三通道的彩色图像,而高光谱图像(HSI)是由许多个狭窄的光谱波段(即channel)构成的三维立方体结构图像,它比普通图像多了一个光谱维,这一光谱维蕴含了丰富的光谱信息。高光谱图像在农业、环境监测等方面应用广泛。
如上图所示,成像光谱仪对目标区域进行连续波段的拍摄,一个波长对应一个光谱反射率,若干个反射率值构成一条连续的光谱曲线用于反映目标地物的光谱特征。如上图右图中不同光谱曲线对应不同的地物(土地、水、植被)。
二、文章摘要
2.1 文章提出的问题
传统的基于CNN模型的高光谱图像分类方法仅采用固定大小的patch来训练,但是HSI的空间结构信息复杂,单尺度的patch可能无法很好地表示其空间结构的信息。此外,传统的CNN模型只是将Feature Maps从一个卷积层向前输入到下一卷积层,而不同的卷积层通常能够提取到不同尺度大小的特征图,因此模型中的多尺度信息没有被有效地利用起来。
2.2 文章提出方法的思路
文章提出了一种MS-DenseNet模型。对于高光谱图像中的每个像元,该模型以待测像元作为中心像元,在不同尺度下提取与其相邻像元构成的patch,在每个特定尺度下的样本中,采用Dense Blocks将每一层与其它层以前馈的方式连接起来。最后由于不同尺度下patch之间的相关性,模型引入多个Dense Blocks来融合不同层之间的多尺度空间信息。
三、MS-DenseNet
文章提出模型的结构流程图如下所示: