一种基于 CNN 的高光谱影像空间特征融合算法
计算机视觉与模式识别
2019-10-02 v2
摘要
训练样本匮乏仍是人工神经网络（ANN）应用于高光谱图像分类的主要障碍之一。为融合空间与光谱信息，常利用像素块训练模型，这可能进一步加剧该问题。在已有工作中，引入了由中心损失（center-loss）监督的 ANN 模型（ANNC）。该 ANNC 仅以光谱信息训练，产生适用于后续分类任务的可判别光谱特征。本文提出一种基于 CNN 的空间特征融合（CSFF）算法，其可将空间信息智能融合到由 ANNC 提取的光谱特征中。作为 CSFF 的关键部分，引入基于 CNN 的判别模型来估计两个配对像素是否属于同一类。在测试阶段，通过将判别模型应用于由测试像素及其邻域生成的像素对，估计局部结构并将其表示为定制的卷积核。通过对估计核与邻域内相应光谱特征进行卷积操作，获得光谱-空间特征。最后，通过对所得光谱-空间特征分类来预测测试像素的标签。CSFF 框架无需增加训练样本数量或在训练阶段涉及像素块，在三个知名高光谱图像的实验上通过减少 的分类错误达到了 SOTA（state-of-the-art，最优性能）。
引用
@article{arxiv.1801.10355,
title = {A CNN-based Spatial Feature Fusion Algorithm for Hyperspectral Imagery Classification},
author = {Alan J. X. Guo and Fei Zhu},
journal= {arXiv preprint arXiv:1801.10355},
year = {2019}
}