32、高光谱图像分类与激活函数的研究进展

高光谱图像分类与激活函数的研究进展

基于多尺度光谱 - 空间融合的深度网络用于高光谱图像分类

背景与动机

高光谱图像（HSI）具有数百个连续光谱波段和高空间相关性，包含丰富的光谱和空间信息，对不同材料的分类十分有用。然而，由于光谱维度高，给分类和计算带来了困难，因此需要进行降维处理。传统的降维方法有特征选择和特征提取，前者旨在找到更具判别性的波段来代表整个图像，后者则通过数学变换找到更有用的特征以帮助模型学习。

目前，许多深度学习模型被提出，如堆叠自动编码器（SAEs）可结合空间和光谱特征进行HSI分类，深度卷积神经网络（CNN）可用于获取空间特征且对输入维度无要求。但现有的一些方法存在问题，如某些框架输入的光谱数据为一维，丢失了空间维度的邻域信息，导致网络加深时分类精度下降；还有的网络先学习光谱特征再提取空间信息，丢失了原始的空间相关性。

提出的方法 - MSS - Net

为解决上述问题，提出了基于多尺度光谱 - 空间融合的深度网络（MSS - Net）用于高光谱图像分类。该方法的主要思路是考虑不同尺度的三维立方体作为空间学习和光谱学习模块的输入，将相同尺度的特征组合为融合光谱 - 空间特征，然后将这些多尺度特征输入到两个连续的残差学习块中。残差学习可以在网络加深时保持较高的精度，并使网络更具鲁棒性。最后，经过平均池化操作得到多尺度一维向量，将它们拼接后输入到softmax层进行图像分类。

该方法的主要贡献有：
1. 提出多尺度光谱 - 空间融合，以提取包含不同邻域相关性和低级特征（如空间结构、纹理特征）的融合光谱 - 空间特征，更适合寻找判别性特征。
2. 光谱学习模块的输入为三维立方体