DSSNet: A Simple Dilated Semantic Segmentation Network for Hyperspectral Imagery Classifification
论文地址:DSSNet: A Simple Dilated Semantic Segmentation Network for Hyperspectral Imagery Classification
1、介绍
基于深度学习的方法在高光谱图像分类(HSIC)任务中具有很好的应用前景。但是目前的方法存在两个问题:①HSIC被当做是patch的图像分类问题,也就是给出围绕某个像素的patch的标签②高光谱图像的空间分辨率相对较低,池化操作可能导致分辨率和范围损失。为了解决第一个问题,文章提出了一种新的语义分割网络,它可以以端到端的方式直接标记每个像素。针对第二个问题,文章提出将膨胀卷积引入到语义分割网络中,并构造了一个膨胀语义分割网络(D SSNet)。该网络结构简单,不需要预训练模型,光谱--空间信息能够以端到端的方式提取,避免预处理和后处理。HSIC网络要克服的两个缺点是:(1)卷积中的池化操作明显的降低了高光谱图像的分辨率。由于HSI的低空间分辨率,一些细节可能只占几个像素,这些细节在几次池化后会消失,不利于分类的准确性;(2)为了使用预训练网络,高光谱数据必须降维到三个通道,导致光谱信息丢失。
所以该工作的动机有两点:避免池化造成的分辨率损失,保存HSI数据细节;网络应该在不需要迁移学习的情况下训练,应采用一些技巧避免过拟合。
贡献:(1)利用膨胀卷积的策略,避免分辨率降低的影响