Learning Compact and Discriminative Stacked Autoencoder for Hyperspectral Image Classification
作者:Peicheng Zhou , Junwei Han , Senior Member, IEEE, Gong Cheng , and Baochang Zhang
IEEE TGRS 2019
作者指出,目前深度学习在遥感领域得到了广泛的应用,但是还存在很多问题。本文主要解决了以下两个问题:
1、如何在已经存在的深度模型上学习一个低维特征空间,使得属于同一类别的像素距离更近,不同类别的像素距离更远;
2、如何在不降低高光谱图像分类精度的前提下,降低模型的复杂度,即在特征表示能力和特征维度之间取得一个平衡。
为了解决上述问题,作者提出了compact and discriminative stacked autoencoder (CDSAE)这样一个框架用于高光谱图像分类。
该框架分为两个学习阶段,分别针对不同的目标进行逐步优化:第一个阶段用于学习低维特征映射空间(特征提取器训练),将学习到的参数用于初始化第二个阶段,而第二个阶段用于HSI分类器与特征提取器的联合训练,得到分类结果。
该框架有三个亮点:
1、同时使用光谱和空间特征作为输入。首先,提取高光谱数据的光谱特征,然后进行PCA降维,取5*5的patch作为空间特征,与光谱特征拼接到一起,得到特征向量。
2、使用 local Fisher discriminant regularization项,得到低维特征空间。
其思想是:投影,使多维问题转化为低维问题来进行处理。选择一个适当的投影轴,使所用的样本点都投影到这个轴上得到投影值,使得同一类样本所形成的投影值的距离尽量的小,而不同类之间的投影值距离尽可能大。
主要方法是计算两个散度矩阵,最大化类间散度矩阵,最小化类内散度矩阵。
3、使用diversity regularization项,降低模型的复杂程度。
其中,i表示当前的自编码器,M表示总的自编码器个数。