用于高光谱影像植被识别的生物可解释两阶段深度神经网络（BIT-DNN）
计算机视觉与模式识别
2021-04-15 v2 机器学习
图像与视频处理
摘要
基于光谱-空间特征的深度学习模型近来已被证明在面向土地覆盖分类与农业监测等多种地球监测应用的高光谱图像（HSI）分类中是有效的。然而，由于“黑盒”模型表征的本质，如何解释与解读学习过程及模型决策，尤其是针对植被分类，仍是一个开放挑战。本研究提出一种新颖的可解释深度学习模型——生物可解释两阶段深度神经网络（BIT-DNN），通过将基于先验知识（即目标实体的生物物理与生化属性及其层次结构）的光谱-空间特征变换引入所提框架，能够在基于 HSI 的分类任务上同时实现高精度与可解释性。所提模型引入两阶段特征学习过程：第一阶段，一个增强的可解释特征块提取与目标实体生物物理及生化属性相关的低级光谱特征；第二阶段，一个可解释胶囊块提取并封装表示这些目标实体生物物理与生化属性层次结构的高级联合光谱-空间特征，这为模型提供了改进的分类性能与内在可解释性，并降低了计算复杂度。我们使用四个真实 HSI 数据集对四个独立任务（即植物物种分类、土地覆盖分类、城市场景识别与作物病害识别任务）测试并评估了该模型。所提模型已与五种 state-of-the-art 深度学习模型进行比较。
引用
@article{arxiv.2004.08886,
title = {A Biologically Interpretable Two-stage Deep Neural Network (BIT-DNN) For Vegetation Recognition From Hyperspectral Imagery},
author = {Yue Shi and Liangxiu Han and Wenjiang Huang and Sheng Chang and Yingying Dong and Darren Dancey and Lianghao Han},
journal= {arXiv preprint arXiv:2004.08886},
year = {2021}
}
备注
13 pages, 11 figures