1.摘要
HSI----高光谱图像(Hyperspectral Image)。所捕获的光谱信息以及对应高光谱数据对象之间的非线性关系,使得传统方法无法进行准确的分类。深度学习方法作为一个强有力的特征提取器,被用在高光谱图像分类任务上。1.概括传统机器学习方法用于HSIC上面的不足,然后了解深度学习方法解决这些问题的优势。2.将目前最新的深度学习框架划分为:光谱特征、空间特征和空间光谱特征。3.如何高效生产标注数据集。
2.引言
以前用于分析单色、RGB和多光谱图像的传统方法不能直接在HSI数据上提取有意义的信息。HSI展示了高维光谱/空间数据的统计和几何属性,即超立方体和超球体的体积分别集中在角落和外壳。
HSI分析主要划分为:降维操作、光谱分解、通道检测分类、用于分类的特征学习、修复和去噪、分辨率提高。本文研究侧重于HSI分类问题。
列出一个将深度学习使用在HSI分类问题的步骤框架:光谱和空间特征分别学习
光谱空间特征学习
考虑到有限的训练样本,如何提高泛化性能
3.背景和挑战
A.从传统到深度学习模型
HSIC的主要任务----基于光谱或光谱空间属性,给HSI立方体中每一个像素标注。
数学形式为:HSI立方体可以表示为:
这里表示属于类的所有频带,且每个频带包含个样本数量总和,其中是个HSI立方体中的样本,其对应的类别是。
传统的手工特征方法主要包含两类:全局特征信息:颜色直方图,GIST(全局尺度不变性转变)、纹理描述子
局部特征信息:HOG(方向梯度直方图)、SIFT(尺度不变特征转换)
这些手工特征主要用来构建视觉词袋模型(BOVW)以及基于HOG特征的模型。
B.高光谱