用于高光谱图像分类的一维卷积胶囊网络
计算机视觉与模式识别
2019-03-26 v1
摘要
近年来，卷积神经网络 在许多计算机视觉任务中取得了优异的性能。具体而言，对于高光谱图像 分类，由于 HSI 的高维度，CNNs 通常需要非常复杂的结构。CNNs 的复杂结构导致训练成本极高。此外，HSI 分类任务中常见的情况是缺乏带标签的样本，这导致 CNNs 的精度下降。在这项工作中，我们开发了一种易于实现的胶囊网络来缓解上述问题，即一维卷积胶囊网络 (1D-ConvCapsNet)。首先，1D-ConvCapsNet 分别在空间域和光谱域上提取空间和光谱信息，由于参数较少，它比 3D 卷积更轻量。其次，1D-ConvCapsNet 利用逐胶囊约束窗口方法来减少传统胶囊网络的参数量和计算复杂度。最后，1D-ConvCapsNet 通过动态路由对输入样本获得准确的预测。1D-ConvCapsNet 的有效性通过三个具有代表性的 HSI 数据集得到了验证。实验结果表明，1D-ConvCapsNet 在精度和训练成本上均优于 SOTA 方法。
引用
@article{arxiv.1903.09834,
title = {1D-Convolutional Capsule Network for Hyperspectral Image Classification},
author = {Haitao Zhang and Lingguo Meng and Xian Wei and Xiaoliang Tang and Xuan Tang and Xingping Wang and Bo Jin and Wei Yao},
journal= {arXiv preprint arXiv:1903.09834},
year = {2019}
}