Exploring 3-D–2-D CNN Feature Hierarchy for Hyperspectral Image Classification翻译全文

IEEE GEOSCIENCE AND REMOTE SENSING LETTERS

S. K. Roy, G. Krishna, S. R. Dubey, B. B. Chaudhuri HybridSN: Exploring 3-D–2-D CNN Feature Hierarchy for Hyperspectral Image Classification, IEEE GRSL 2020

摘要：高光谱图像分类在遥感图像分析领域应用广泛。高光谱图像包括众多波段影像。卷积神经网络(CNN)作为深度学习的一种适合图像数据处理。近来，将CNN用于高光谱图像分类的研究比较常见。这些方法大多基于2D-CNN。另一方面，高光谱图像分类高度依赖于空间和光谱信息。很少采用3D-CNN原因在于计算的复杂度。本文采用混合卷积神经网络(HybridSN)进行高光谱图像分类。通常来说，混合卷积神经网络先是空间2D-CNN，接着3D-CNN。3D-CNN发挥出众多光谱联合空间的特征。3D-CNN上的2D-CNN能学习到更多的抽象空间表达。而且，混合CNN比单独使用3D-CNN减少了模型的复杂度。为了测试这种混合CNN方法的表现，在Indian Pines、University of Pavia，Salinas Scene这几个遥感数据集上进行实验。实验结果对比了state-of-the art hand-crafted端到端深度学习方法。混合CNN在高光谱图像分类上具有令人满意的性能。源代码可以在https://github.com/gokriznastic/HybridSN获得。

索引：2D-CNN，3D-CNN，深度学习，混合CNN，高光谱图像分类，遥感，光谱-空间。

I.Introduction

       高光谱图像分类在现实生活中具有潜在的重要应用价值。高光谱图像具有众多波段影像，庞大的数据量给数据分析带来挑战。不同波段的光谱和空间信息表达出感兴趣区域有价值的信息。近来，Camps-Valls 对高光谱图像分类进展进行了研究。对于高光谱图像分类，有两个方向，一是人工提取特征的技术，另一个是基于学习的特征提取技术。

       基于人工提取特征的方法有：Yang和Qian提出一种基于局部自适应字典的联合协作表示法。其减少了无用像元的不利影响，改善了高光谱图像分类效果。Fang等人利用局部协方差矩阵对不同光谱波段间的关系进行编码。他们采用支持向量机进行训练和分类。通过一个复合内核将空谱信息联合进行高光谱图像分类。Li等人将多特征结合起来用于高光谱场景分类。其他基于人工提取的方法还有联合系数模型、不连续保持松弛、基于玻尔兹曼熵波段选择