【論文筆記】高光譜分類--融合棧式自編碼與 CNN 的高光譜影像作物分類方法

【論文筆記】作物分類–融合棧式自編碼與 CNN 的高光譜影像作物分類方法

一、摘要：

在高光譜影像作物分類中，為了充分利用高光譜遙感影像完整的光譜資訊，同時避免高維資料帶來的Hughes現象。從棧式自編碼網絡的資料降維與CNN網絡的分類優勢出發，首先分析了此種網絡在訓練過程中的共性，以自編碼網絡優化過程中分類器的選取作為切入點，建構了可用于高光譜影像分類的融合網絡架構。

Hughes現象：Hughes現象是指在高光譜分析中過程中，随着參與運算波段數目的增加，分類精度“先增後降”的現象。與多光譜相比，高光譜圖像的一個顯著特點就是它的波段數目遠遠大于多光譜圖像，因而可以提供更為豐富的細節資訊，可以解決許多在多光譜中不能解決的目标探查和分類問題，但是由于Hughes現象的存在，使得高光譜圖像的實際應用受到限制。

在實際使用深度學習方法進行高光譜影像分類過程中，先特征降維，後分類的資料處理這種方式将特征降維與分類 2 個步驟割裂開，而且理論上無法保證降維後的特征一定适應分類網絡的要求，進而影響分類效果。

本文充分利用 SAE 的資料降維優勢與 CNN 網絡的分類優勢，通過對這 2 種神經網絡結構的有機融合，建構對于高光譜影像作物分類的統一架構，僅通過一次監督訓練，即可實作原始高光譜影像的直接分類，從理論上確定降維後的特征與分類器需求完全一緻，以期簡化傳統高光譜影像作物分類的處理流程，提高分類精度。

二、材料與方法：

網絡整體上由 4 個部分組成，即資料輸入、資料降維、CNN 特征提取及資料分類。

首先選取一定數量或比例的已知像素點作為訓練集，采用逐層貪婪式訓練算法預訓 SAE，并提取編碼器網絡，其次将提取的編碼器網絡與 CNN 網絡連接配接，使用有監督訓練方式對整體網絡進行學習，實作對 CNN 參數的訓練以及預編碼器網絡參數的微調，最終完成模型訓練。

資料集：

Pavia University 和雄安地區兩組公開的高光譜遙感影像資料集。

Pavia University資料集共包含了 115 個光譜波段資訊，其波長範圍為 400-860 nm，空間分辨率為1.3m。去除 12 個幹擾噪聲波段，最終剩下 103 個有效波段資訊。

雄安新區馬蹄灣村航空高光譜遙感影像分類資料集包含 20 種地物類别。資料集包含了從400~1000nm 的 250 個有效光譜波段資訊，空間分辨率為 0.5m。

有空再寫~~

reference：

https://blog.csdn.net/u012193416/article/details/79590733