基于三维编码卷积神经网络压缩光谱图像分类
图像与视频处理
2021-10-13 v3 计算机视觉与模式识别
摘要
高光谱图像分类（HIC）是遥感中的活跃研究课题。高光谱图像通常生成大型数据立方体，给数据获取、存储、传输和处理带来巨大挑战。为克服这些限制，本文基于编码孔径快照光谱成像仪（CASSI）的压缩测量，在不重建完整高光谱数据立方体的情况下，提出了一种新颖的深度学习 HIC 方法。提出一种新的深度学习策略，即三维编码卷积神经网络（3D-CCNN），以高效求解分类问题，其中基于硬件的编码孔径被视为逐像素连接网络层。开发了一种端到端训练方法，以联合优化网络参数与具有周期结构的编码孔径。通过利用深度学习网络与编码孔径之间的协同作用，分类精度得到有效提升。在多个高光谱数据集上，所提方法的优越性相对于最先进（SOTA）HIC 方法得到了评估。
引用
@article{arxiv.2009.11948,
title = {Compressive spectral image classification using 3D coded convolutional neural network},
author = {Hao Zhang and Xu Ma and Xianhong Zhao and Gonzalo R. Arce},
journal= {arXiv preprint arXiv:2009.11948},
year = {2021}
}