3D-ANAS：用于快速高光谱图像分类的三维非对称神经架构搜索

高光谱图像包含丰富的光谱与空间信息，在土地覆盖分类中发挥着不可替代的作用。近来，基于深度学习技术，越来越多HSI分类方法被提出，展现出良好性能。然而，以往研究存在两主要缺陷：1) 多数深度学习模型架构为人工设计，依赖专业知识且相对繁琐。此外，在HSI分类中，不同传感器捕获的数据集具有不同物理属性。相应地，需为不同数据集设计不同模型，进一步增加了架构设计工作量；2) 主流框架为块到像素框架。相邻像素块的重叠区域被重复计算，增加了计算与时间成本。此外，分类精度对块大小敏感，而块大小是基于大量调研实验人工设定的。为克服上述问题，我们首先提出一种三维非对称神经网络搜索算法，并利用其自动搜索高效的HSI分类架构。通过分析HSI特性，我们专门构建了三维非对称分解搜索空间，其中光谱与空间信息由不同分解卷积处理。进而，我们提出一种新的快速分类框架，即像素到像素分类框架，其无重复操作并降低了总体成本。在三个不同传感器捕获的公开HSI数据集上的实验表明，我们的3D-ANAS设计的网络相较若干SOTA方法取得有竞争力的性能，同时具有快得多的推理速度。