BS-Nets：一种高光谱图像波段选择端到端框架
计算机视觉与模式识别
2019-11-22 v1 机器学习
摘要
高光谱图像（HSI）由数百个连续窄波段组成，具有高空谱相关性，这会导致所谓的 Hughes 现象以及处理中的高计算成本。波段选择已被证明可通过去除冗余波段有效避免此类问题。然而，许多现有波段选择方法单独估计每个单波段的重要性，无法充分考虑光谱波段间的非线性与全局交互。本文假设完整 HSI 可由其少数信息波段重建，提出一种通用波段选择框架——波段选择网络（称为 BS-Net）。该框架由波段注意力模块（BAM）和重建网络（RecNet）组成，前者旨在显式建模光谱波段间的非线性相互依赖，后者用于从所学信息波段恢复原始 HSI 立方体，从而形成灵活架构。所得框架可端到端训练，便于从头训练并与现有网络结合。我们分别使用全连接网络（BS-Net-FC）和卷积神经网络（BS-Net-Conv）实现了两种 BS-Net，并在三幅真实高光谱图像上与许多现有波段选择方法比较，表明所提 BS-Nets 能以较少冗余准确选择信息波段子集，并以可接受的时间代价实现显著更优的分类性能。
引用
@article{arxiv.1904.08269,
title = {BS-Nets: An End-to-End Framework For Band Selection of Hyperspectral Image},
author = {Yaoming Cai and Xiaobo Liu and Zhihua Cai},
journal= {arXiv preprint arXiv:1904.08269},
year = {2019}
}
备注
The paper has been submitted to IEEE TGRS