FPGA：用于全端到端高光谱图像分类的快速无块全局学习框架
计算机视觉与模式识别
2020-11-12 v1 图像与视频处理
摘要
深度学习技术已为高光谱图像（HSI）分类带来显著改进。当前基于深度学习的HSI分类器遵循基于块的学习框架，将图像划分为重叠块。因此，这些方法为局部学习方法，具有高计算成本。本文提出一种用于HSI分类的快速无块全局学习（FPGA）框架。在FPGA中，利用基于编码器-解码器的FCN通过处理整幅图像来考虑全局空间信息，从而实现快速推理。然而，由于有限训练样本导致的梯度多样性不足，直接利用基于编码器-解码器的FCN进行HSI分类常无法收敛。为解决发散问题并保持FCN快速推理与全局空间信息挖掘能力，首先提出一种全局随机分层采样策略，将所有训练样本转换为分层样本的随机序列。该策略可获得多样梯度以保证FPGA框架中FCN的收敛。为更好地设计FCN架构，提出FreeNet，一种用于HSI分类的全端到端网络，通过基于光谱注意力的编码器和轻量解码器最大化全局空间信息利用并提升性能。还设计了侧向连接模块以连接编码器与解码器，融合编码器中的空间细节与解码器中的语义特征。在三个公开基准数据集上的实验结果表明，FPGA框架在HSI分类的速度与精度上均优于基于块的框架。代码已公开于：https://github.com/Z-Zheng/FreeNet。
引用
@article{arxiv.2011.05670,
title = {FPGA: Fast Patch-Free Global Learning Framework for Fully End-to-End Hyperspectral Image Classification},
author = {Zhuo Zheng and Yanfei Zhong and Ailong Ma and Liangpei Zhang},
journal= {arXiv preprint arXiv:2011.05670},
year = {2020}
}
备注
16 pages, 15 figures, IEEE Transactions on Geoscience and Remote Sensing, 2020