利用深度学习进行高光谱图像分类SCI论文分析（1）。随缘更新，仅作讨论。

Weiwei Song, Student Member, IEEE, Shutao Li , Senior Member, IEEE, Leyuan Fang , Senior Member, IEEE, and Ting Lu , Member, IEEE
)

前置知识点

前置信息： 残差网络，卷积快，池化层，图像预处理用PCA进行降维

创新点

深层融合神经网络

1 首先他构建了一个非常深入的网络来提取HSIs的更多鉴别特征。具体来说，该网络由多个剩余块组成，每个块包含两个卷积层。随后运用批量归一化的方法，在每次卷积后和激活前加快网络的收敛速度。
2 上图给出了剩余块的说明。设F(X)为两个卷积层要学习的原始底层函数，其中X为第一层残差块的输入。残差学习实际上是将两个卷积层优化为一个恒等映射，利用短连接实现，如上图(红线)所示。
** 3**通过引入残差函数G(X) = F(X) - X，原F(X) = X的目标函数等价地转换为G(X) = 0。如前所述，F(X)可以用以下形式表示：F(X)= G(X)+X.

整体模型

首先，对高光谱数据进行主成分分析(PCA)算法，提取信息量最大的成分，降低了计算成本。然后，构建以标记像素为中心的训练图像块来训练DFFN。最后，利用训练后的网络对测试像素的标签进行预测。

模型分析

首先把整个模型分为底层中层和高层三个大模块，每个模块中又含有3个卷积块，利用残差网络首先对每个模块进行融合，同时保证深度防止过拟合，而后将低中高三层再次进行融合，最终经过池化层，全连接层后进行分类。

注意事项

考虑到不同的层可能具有不同数量的feature map，这篇论文使用维数匹配函数(即)，以确保它们在特征融合之前具有相同的光谱维数。具体地说，假设FL、FM和fh分别表示低层、中层和高层层的输出，分别有16、32和64个feature map。然后，可以用64个大小为1×1的核来卷积它们。通过这种复杂的操作，ofl、FM和FH的特性映射数都变成了64。

应用

适合小样本学习