利用全卷积空间传播网络保持空间一致性的高光谱图像分类
计算机视觉与模式识别
2020-08-05 v1
摘要
近年来，深度卷积神经网络(CNNs)在表征高光谱图像(HSIs)方面展现出令人印象深刻的表达能力，并在HSI分类中取得了鼓舞人心的结果。然而，现有的基于CNN的模型在块级别上操作，即利用周围图像块将像素单独分类为各类。这种块级分类会导致大量重复计算，且难以确定有利于提高分类精度的合适块大小。此外，常规CNN模型使用局部感受野进行卷积，导致无法建模上下文空间信息。为克服上述局限，我们提出了一种新颖的端到端、像素到像素的全卷积空间传播网络(FCSPN)用于HSI分类。我们的FCSPN由三维全卷积网络(3D-FCN)与卷积空间传播网络(CSPN)组成。具体而言，首先引入3D-FCN进行可靠的初步分类，其中提出了一种新颖的双可分离残差(DSR)单元，以更少参数同时有效捕获光谱与空间信息。此外，3D-FCN中采用了通道注意力机制，从冗余通道信息中把握最具信息量的通道。最后，引入CSPN通过学习局部线性空间传播来捕获HSI的空间相关性，从而保持HSI空间一致性并进一步优化分类结果。在三个HSI基准数据集上的实验结果表明，所提出的FCSPN在HSI分类上达到了最先进的性能。
引用
@article{arxiv.2008.01421,
title = {Hyperspectral Image Classification with Spatial Consistence Using Fully Convolutional Spatial Propagation Network},
author = {Yenan Jiang and Ying Li and Shanrong Zou and Haokui Zhang and Yunpeng Bai},
journal= {arXiv preprint arXiv:2008.01421},
year = {2020}
}