高光谱图像分类_DSSNet:用于高光谱图像分类的膨胀语义分割网络

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