遥感高光谱分类文献阅读:Going Deeper with Contextual CNN for Hyperspectral Image Classification
https://blog.csdn.net/edogawachia/article/details/88674649
Going Deeper with Contextual CNN for Hyperspectral Image Classification
2017年TIP的文章。
本文主要是提出了一种新的网络模型,深度更深,并且加上了googlenet的那种同一个层中多个scale(kernel=1,3,5)的方法,从而实现了deeper and wider。这里主要针对的问题是现有的CNN方法做HSI分类问题中网络结构较小较简单从而不能达到最优结果。本文作者用一个更深的和更wide的网络(其实就是加了个inception结构单元)来实现HSI分类。它的一个好处在于,它可以同时学习到spatial和spectral的特征。在这个深度网络中,用到了FCN,ResNet的结构,以及multi-scale filter,也就是inception的结构。如图所示:
Accordingly, the reduction of the spectral dimension of the hyperspectral images is in general initially performed to fit the input data into the small-scale networks by using techniques, such as principal component analysis (PCA) [9], balanced local discriminant embedding (BLDE) [3], pairwise constraint discriminant analysis and nonnegative sparse divergence (PCDA-NSD) [10],etc.
这个PCA之类的降维操作是之前的各种方法普遍采用的预处理手段。实际上,即使是CNN方法,之前也都是用来提取spatial特征,然后和spectral特征合并,用来train分类器的。因此这里作者主要提到的就是这一点,作者认为他们的CNN可以直接同时把这两个特征都提取到。这也是本文的一个contribution。
The multi-scale filter bank is basically used to exploit various local spatial structures as well as local spectral correlations. 其实就是简化版的inception。。。
测试实验用的还是那三个开源数据集:
145×145 pixels for the Indian Pines dataset,
610×340 pixels for the University of Pavia dataset,
512×217 for the Salinas dataset
Indian pines,pavia U, Salinas。
本文号称是第一篇用较深的网络做这个任务的文章,并且可以同时提取spatial-spectral特征,以及用了很多诸如inception和ResNet的结构。
网络模型如下:
训练方法如下图:
对高光谱中的像素点进行随机采样,得到训练集和测试集,采到的点及其5x5的邻域构成的patch作为输入,对应的ground-truth作为reference,投入到上面的网络进行训练。测试结果也是用这样的多通道的小patch来做的。
另外,为了避免过拟合,作者对patch做了水平和竖直方向及对角线方向的镜像,从而实现了4倍率的augmentation。
实验结果:
和基于网络的方法相比,该文的结果达到了SOTA。
2019年03月20日21:19:44
遥感高光谱分类文献阅读:Going Deeper with Contextual CNN for Hyperspectral Image Classification相关推荐
- 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 ...
- 【论文阅读】HCP: A Flexible CNN Framework forMulti-Label Image Classification
目录 Abstract HCP网络的独特点 INTRODUCTION RELATED WORK HYPOTHESES-CNN-POOLING Hypotheses Extraction Trainin ...
- 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 ...
- 文献阅读总结:网络表示学习/图学习
本文是对网络表示学习/图学习(Network Representation Learning / Graph Learning)领域已读文献的归纳总结,长期更新. 朋友们,我们在github创建了一个 ...
- 文献阅读(42)——使用深度学习在眼底照中检测糖网并分类(综述)
使用深度学习在眼底照中检测糖网并分类(综述) Deep learning for diabetic retinopathy detection and classification based on ...
- 高光谱遥感影像分类研究进展 --- (15年论文,方法主要是常规处理,但是写的比较细)
论文地址 高光谱遥感影像分类研究进展 南大.矿大.河海 15年的文章比较老,科普文,但是理论总结和语言用词都比较扎实 在总结分类策略的基础上,重点从以核方法(SVM)为代表的新型分类器设计.特征挖掘. ...
- 四位科研牛人介绍的文献阅读经验
每天保持读至少2-3 篇的文献的习惯.读文献有不同的读法,但最重要的自己总结概括这篇文献到底说了什么,否则就是白读,读的时候好像什么都明白,一合上就什么都不知道,这是读文献的大忌,既浪费时间,最 ...
- 最大熵模型(Maximum Entropy Model)文献阅读指南
最大熵模型(Maximum Entropy Model)是一种机器学习方法,在自然语言处理的许多领域(如词性标注.中文分词.句子边界识别.浅层句法分析及文本分类等)都有比较好的应用效果.张乐博士的最大 ...
- 八邻域轮廓跟踪算法_结合mRMR选择和IFCM聚类的遥感影像分类算法
随着遥感成像技术的发展,高分遥感影像空间分辨率逐年提高,已经成为获取地物信息的主要数据来源之一.高分影像分类作为遥感影像处理的重要任务之一,在地理国情普查与监测.数字城市建设.城市规划等领域具有广阔的 ...
- 细胞亚器文献阅读之酵母液泡与线粒体的动态互作A Dynamic Interface between Vacuoles and Mitochondria in Yeast
细胞亚器文献阅读之酵母液泡与线粒体的动态互作A Dynamic Interface between Vacuoles and Mitochondria in Yeast 本文和前一篇阅读的文献之间的关 ...
最新文章
- 13接口登记案例 把对象赋值给接口
- 【Ubuntu日常技巧】【解决】Ubuntu 16 右上角的音量调节通知框不停地闪烁问题
- LeetCode Partition List(链表分段)
- 安卓手机中 P 的输入
- Linux mail 邮件发送
- hypermesh10的安装
- 航模飞机设计基础知识
- 河南联通中兴B860AV1.2_S905M-B_线刷刷机固件及教程
- 基于HTML/CSS/JS的动态元素周期表
- 大学实训_软件毕设_Java入门实战_商场管理系统_Punrain
- 通过ping命令获取各大网站的IP地址
- win10键锁定计算机,Win10中最强大的键!你所不知道的Win键
- python sql_pandasql:让python讲SQL
- Unparseable date
- 大学生研究生毕业找工作,该选择哪个方向?
- Python+Vue计算机毕业设计在线教育平台1ldd7(程序+LW+源码+部署)
- 高斯过程与高斯分布什么关系?
- 交换机短路_通信设备工程安装施工规范
- jQuery 选择器 选取所有元素
- 基于SpringBoot的预约挂号微信小程序
热门文章
- 第四季-专题12-按键驱动程序设计
- Mysql优化(出自官方文档) - 第九篇(优化数据库结构篇)
- python基础--字符串
- 第三季-第5课-Linux编程规范
- C++值传递、指针传递、引用传递的区别
- 超定方程组的经典Gram-Schmidt正交化解法
- NextApp —— 开源的手机博客 App 自动生成系统
- java.lang.ClassNotFoundException: com.sun.image.codec.jpeg.JPEGCodec
- iOS应用架构谈 本地持久化方案及动态部署
- 前端相关书籍(转摘)