HSI分类论文解读分享之二

题目：
Diverse Region-Based CNN for Hyperspectral Image Classification
作者：
Mengmeng Zhang, Student Member, IEEE, Wei Li , Senior Member, IEEE, and Qian Du, Fellow, IEEE
关键字:
Hyperspectral image, convolutional neural network, deep learning, pattern recognition.
解决问题：
1.传统机器学习（k-NN，SVM,SRC,ELM）方法只利用了高光谱图像的光谱信息，普遍存在同物异谱，同谱异物以及需要大量先验知识的问题。
2.近些年来，深度学习（CNN,RPCA-CNN）的引入比较好的解决了传统机器学习的问题，但是还不能有效的利用高光谱图像中丰富的光谱信息和空间信息。

DR-CNN的构造思想：
为了充分利用高光谱图像的空间领域信息，该方法采用非局部和全局信息（中心区域，原始区域以及四个正交方向区域）的输入的方式来联合表示每个像素信息，再通过多尺度信息融合来进一步提取图像的光谱与空间特征，这是考虑到相邻像素点通常包含相似信息。最后通过使用一个softmax分类器用于对每个像素点的分类。
对于训练样本少的问题使用高光谱信息增强的方式增加。

DR-CNN的结构设计：
1.特征提取窗口设计：
充分利用邻域信息的关键是在于邻域的选择。不同于传统的方形特征提取窗口，本文采用了较为灵活的六个矩形窗口作为特征提取器。

采用不同提取窗口的原因：
在使用3X3或5X5的方形窗口时，特别是对于具有复杂分布的城市图像场景，在获取的目标区域可能存在两种不同的物质。在这些异质区域中，即使在一个小区域内，观测物质也可能来自不同的类别，这是仅使用一个五倍大小的正方形窗口的缺点。
例如，在下图中仅仅使用方形提取窗口（red box）去提取蓝色区域的特征，然而这个区域内看绿色区域的物质更多，这是就会出现误判。然而，通过观察发现蓝色区域集中在右侧，如果这时存在一个偏向右侧的矩形提取窗口进行特征提取就能较好的得到正确结果。

2.深度特征的提取网络：
在特征提取的网络部分，在本文中，引入残差网络（ResNet）的构建思想来设计,实现了不同尺度信息融合（multi-scale summation。作用：第一，这种方法能解决在高光谱数据不足条件下结果出现分类过拟合的情况；第二，对于在传统特征提取网络中高空间分辨率的浅层卷积层往往能捕捉到更多的局部细节，而低空间分辨率的深层卷积层则能捕捉到更多的高层语义结构信息这种特性，多尺度特征融合能够将局部细节信息和高层的语义信息进行融合。

3.分类输出网络：
将特征提取网络的输出输入到全连接层进行分类输出，这里，全连通层不仅利用来自不同区域的综合信息进行分类，而且在每个区域内结合粗、细信息进行分类。

4.DR-CNN拓扑：