读“Hyperspectral Image Classification With Squeeze Multibias Network”

1、传统分类方法出现的问题：

（1）将固定尺寸的 image patch作为输入，这可能包含多种地表类别，影响分类效果。

（2）传统CNN参数太多，影响训练效率。

 

2、本文看点：SMBN网络（squeeze multibias network）可以提高分类性能和运行速度。

（1）提出MBM（multibias module），根据不同物体偏差的大小，将input patches的特征图分解成多个响应图（对应不同的地面物体），然后，MBM选择合适的响应图用于分类。

（2）提出SCM（squeeze convolution module），代替传统网络中的卷积层，减少网络参数，但不影响分类效果。

 

3、MBM介绍

ReLU可以区分feature maps中的噪声和真实信息，但不能区分不同类别的物体，根据ReLU的优缺点，在ReLU中加入多个偏差，称为MBM。

（1）功能：根据不同物体偏差的大小，将input patches的特征图分解成多个响应图（对应不同的地面物体），然后，MBM选择合适的响应图用于分类。

（2）分类依据：不同地表物体偏差大小有差异。

（3）MBM结构：

 

                           

 

Feature Maps：Xu(u=1,2,...,U)。不同地表物体的偏差不同，M个偏差。Multi-bias Maps：Xu,m(u=1,2,...,U; m=1,2,...,M)。从Feature Maps层到Multi-bias层公式：xu,m,i=g(xu,i+bu,m)，其中xu,m,i和xu,i分别为Xu,m和Xu的第i个分量；bu,m是偏差，通过反向传播自动学习。g(.)是非线性函数，本文用ReLU函数。

 

4、SCM介绍

SCM用于代替传统网路中的卷积层，它可以减少网络参数。

网络结构：

                                       

如何减少参数？

                                    

5、SMBN网络结构：

                       

网络细节设置：