标签：Convolutional Neural 综述 Hyperspectral 光谱 HSI 卷积 图像处理 CNN
5.卷积神经网络（CNN）用于HSI分类任务
CNN可以分为两个结构：特征提取（FE）网络和分类器。本文主要研究三种CNN架构：
- 谱段CNN
- 空间CNN
- 谱段--空间结合CNN
A.谱段CNN框架用于HSI分类任务
谱段CNN模型中只考虑\(1D\)谱段信息（\(x_i \in R^B\)）作为输入。
下面列举一些着重从谱段进行研究的论文和方法：
- Convolutional neural networks for hyperspectral image classification：提出一个CNN架构，使用1x1的卷积和增强的dropout，实现缓解过拟合以及提高泛化性；此外还使用了一个全局池化层，来减少参数量。
- Joint alternate small convolution and feature reuse for hyperspectral image classification：旨在解决HSI不同带宽之间的高相关性，提出一个CNN架构，将\(1D\)的频谱信息转换成\(2D\)的特征矩阵形式，并且拼接包含1x1卷积和3x3卷积的不同层，实现将特征信息完全利用；此外，本文也使用了全局平均池化操作。
- Convolutional Recurrent Neural Networks for Hyperspectral Data Classification：提出一种混合模型用来HSI进行分类任务，首先使用部分卷积层来踢去位置不变中间层特征，然后使用递归层来提取特点谱段上下文细节。
- Classifying Wheat Hyperspectral Pixels of Healthy Heads and Fusarium Head Blight Disease Using a Deep Neural Network in the Wild Field：同样适用一个混合架构，用来分类健康和病态小麦头部。针对输入层，这个架构将光谱信息转化成\(2D\)的数据结构。
- Variety Identification of Single Rice Seed Using Hyperspectral Imaging Combined with Convolutional Neural Network：本文提出的CNN对比SVM和KNN相比更加有效，针对使用光谱信息进行大米种子分类识别任务。
- Discrimination of Chrysanthemum Varieties Using Hyperspectral Imaging Combined with a Deep Convolutional Neural Network：本文使用谱段信息，进行PCA降维，然后使用前5个PC值进行菊花的分类。
- Dimensionally Reduced Features for Hyperspectral Image Classification Using Deep Learning：使用另一种降维方法：DMD，将\(3D\)的HSI数据转换为\(2D\)的数据，然后输入到向量化的CNN模型中。
B.空间CNN框架用于HSI分类任务
空间CNN模型仅仅考虑空间信息，并且从HSI数据中提取空间信息，但是在谱段域使用降维方法。
- Classification of Hyperspectral Imagery Using a New Fully Convolutional Neural Network：论文中，使用PCA降维，使用第一个PC值来提炼空间信息，并将这些数据输入到全卷积框架来进行分类。
- Convolutional Neural Networks Based Hyperspectral Image Classification Method with Adaptive Kernels：提出一种方法，从\(2D\)图像数据中切割图像块（也就是从不同谱段进行切割图像），来训练一个CNN模型。
C.谱段--空间结合CNN框架用于HSI分类任务
谱段空间像素级HSI分类任务可以通过将空间特征结合进谱段信息中完成。
标签：Convolutional,Neural,综述,Hyperspectral,光谱,HSI,卷积,图像处理,CNN 来源： https://www.cnblogs.com/zjz-819823900/p/14339407.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。