遥感高光谱分类文献阅读：Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification

https://blog.csdn.net/edogawachia/article/details/88663482

Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification

2018.11月的TGRS文章。
本文的基本任务是学习出一个特征，从而可以结合谱特征和deep net的空间特征，得到一个spectral–spatial feature representation。这样得到的特征空间中同类的距离更近，而不同类的距离远，用这个特征喂进SVM进行分类，效果可以达到SOTA。

Introduction：
高光谱遥感图像（HSI，HyperSpectral Image）的地物分类是一个很重要的问题。最开始的方法就是把每个点的所有通道，也就是其频谱，作为输入特征，然后用诸如SVM等方法进行分类，当然效果不令人满意，因为现实中有同类光谱不同和不同类光谱相同的情况。后来，人们把空间特征利用起来，提取spectral-spatial features，得到了很大的提升。另外，还有用形态学提取纹理特征的方法。
近年来，深度学习算法的出现使人们转向深度网络方法，主要是基于local patch-based samples，来提取这一点的特征，将HSI空间中的点转换到特征空间，便于后面的分类。这样的结果就带上了频谱和空间的双重特征。

作者认为CNN-based HSI分类算法有两个要解决的问题。一个是样本少，网络小，从而泛化能力差；另一个是只用了最后的层提取特征，保留了高阶信息，但是丢掉了fine-grained的细节信息。这篇文章就是拟解决这两个问题。

Method

1. feature extraction
  这一个步骤是提取deep spatial features，用of-the-shelf CNN来实现。这时候得到的是spatial特征。
1. metric learning-based feature fusion, feature learning, and classifier training.
  这个步骤是将spatial和spectral特征fuse起来，然后交替进行特征学习和分类器训练，这个过程是用metric learning的框架实现的。

这里的用CNN提取特征并不像普通方法那样，用一个分类网络最后的两个FC层的向量作为特征，因为作者认为这个向量只有高阶语义特征，而较少空间特征。这里的做法是把所有 feature map给upsample到同尺寸，然后concat起来，作为最终的结果，这个多通道的图的每个点的所有channel就是我们需要的spatial feature。

接下来就是一个metric learning的过程，metric的loss function是一个类间间隔和类内间隔的函数，类似RELIEF算法。分类器用的是SVM，通过优化得到最终结果。

实验结果如上图，在PAVIA UNIVERSITY，indian pines等公开数据集上也达到了SOTA水平。

值得一提的是，这个方法的速度也比较好，因为没有训练的过程，CNN用的是pretrain的off-the-shelf的，因此速度较快。

keep on 今も忘れられない
You’re mine 永远だから

—— ワ-Come On

2019年03月19日20:05:26

遥感高光谱分类文献阅读：Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification相关推荐

PAMI2018跟踪算法HCFTstar的配置（Robust Visual Tracking via Hierarchical Convolutional Features）
文章和代码下载地址: HCFTstar: Chao Ma, Jia-Bin Huang, Xiaokang Yang, Ming-Hsuan Yang. "Robust Visual Tra ...
目标跟踪算法——HCF：Hierarchical Convolutional Features for Visual Tracking
今天讲解的这个算法是比较简单容易理解的,这个前提就是你对相关滤波器算法和深度学习都有一定的了解.废话不多说,直接进入正题.还是先放上论文点此下载论文和代码点此下载diamante链接. 本文思想本文 ...
【文本分类】ACT: an Attentive Convolutional Transformer for Efficient Text Classification
·阅读摘要: 本文在Transformer模型的基础上,提出改进方案,把Transformer里面的自注意力机制,改成CNN. ·参考文献: [1] ACT: an Attentive Con ...
深度学习文本分类文献综述（翻译自Deep Learning Based Text Classification: A Comprehensive Review）
深度学习文本分类文献综述摘要介绍 1. 文本分类任务 2．文本分类中的深度模型 2.1 Feed-Forward Neural Networks 2.2 RNN-Based Models 2.3 ...
多标签分类_多标签分类文献阅读（8）
使用堆叠式自动编码器和极限学习机的级联进行多标签分类摘要本文介绍了用于多标签数据分类的一系列神经网络.两种类型的网络,即堆叠式自动编码器(SAE)和极限学习机(ELM)已被合并到建议的系统中.EL ...
文献阅读——Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference
附注这篇文章中在最终提到模型的时候使用了一个 "知识蒸馏" 的点,这点需要注意.如果不懂的话,请参考知识蒸馏基本原理其实,这里的知识蒸馏主要是在预训练模型的Fine-tunin ...
Hierarchical Convolutional Features for Visual Tracking(CF2)论文翻译
摘要因为变形.快速运动.背景杂乱.遮挡等会引起目标物体的外观模型发生重大变化,因而视觉跟踪便成了一项具有挑战性的工作.在本文中,我们利用已经在目标识别数据库中训练好的深度卷积网络中提取出来的深度特征 ...
图卷积神经网络--Graph Convolutional Networks for Hyperspectral Image Classification
一.文章摘要卷积神经网络(CNN)由于能够捕捉空间-光谱特征表示,在高光谱(HS)图像分类中受到越来越多的关注.然而,他们对样本之间关系建模的能力仍然有限.除了网格采样的局限性,最近提出了图卷积网络 ...
元学习论文阅读 | CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification, CVPR2022
1 motivation FEAT(CVPR2020)中提出了embedding adaptation这个概念,具体来说就是对support set的样本利用transformer等方式实现信息聚合, ...
高光谱图像分类：文献阅读
文献阅读<Multiscale Densely-Connected Fusion Networks for Hyperspectral Images Classification> 目录 ...

遥感高光谱分类文献阅读：Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification

Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification

遥感高光谱分类文献阅读：Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification相关推荐

最新文章

热门文章