自娱自乐读对比学习高光谱图像分类的论文5
现有的无监督或者半监督卷积网络的问题;
- 用于特征学习的像素级多尺度上下文信息利用不足
- 昂贵的计算成本
I. INTRODUCTION
能用总结性的发言,如 These methods typically contain two steps:1) designing … 2) designing … 不管是不是自己的总结,这样写总体感觉还是不错的。
现在的半监督和无监督分类的主要问题:
- 只依赖像素级的光谱的信息,忽略了逐像素级别的上下文信息
- 固定 patch 大小的语义和空间信息,忽略了多尺度感受野
现在的CNN模型的主要问题:
- 计算复杂度高
提出模型的优点:
- 多尺度
- 轻量化
II. RELATED WORK
A. Supervised and Semisupervised HSI Classification
B. Self-Supervised HSI Classification
- 生成
- 判别
C. Real-time Convolution Neural Network
III. METHOD
这个图挺清晰的,什么时候做什么,用那层的进行分类,不花里胡哨,简明易懂。
A. Proposed SC-EADNet Overview
B. Self-Supervised Contrastive Feature Learning
Three steps
- data preprocessing
- PCA
- four different sizes of patches
- the exact size of 31 × 31 by bicubic interpolation
- FE backbone
- the linear evaluation protocol to evaluate the results
data augmentation (第一次系统的将数据增强应用到高光谱图像分类中)
- spatial transformation of data: crop, rotation, flip
- appearance transformation: color dropping, brightness, contrast, saturation, hue, Gaussian blur, random grayscale
- 50% of data is for training, and the remaining 50% of data is for testing
C. EADNet Structure
用什么轻量化:ACNet + MobileNet?
用什么多尺度:Inception?
D. Computation Complexity of EADNet
IV. EXPERIMENTS
A. Dataset Description
对训练和测试的样本选择介绍的比较详细:
预训练:50%,50%
fine-tuning: 每类5个标签。
B. Comparison Results With State-of-the-Art Methods
对比算法选择在我看来,好新颖啊。
C. Computational Complexity Analyses
D. Ablation Study of EADNet
E. Parameter Analyses
- Effect of Different Patch Sizes:
- Effect of the Number of Multiscale Patches
- Effect of Different Number of Labeled Training Samples
V. C ONCLUSION
这篇论文是我目前看的最强的对比学习论文了。如果有代码可以好好的细看。