高光谱图像的谱-空分类：三种技巧与一种新的监督学习设定

高光谱图像的谱-空分类近年来已成为众多研究的主题。在仅有极少标注像素的情况下，该任务变得极具挑战性。本文探讨以下两个研究问题：1) 在标注像素极少的情况下，仅含单个隐藏层的简单神经网络能否达到最先进的性能？2) 当使用互不相交的训练集与测试集时，高光谱图像分类方法的性能会受到怎样的影响？针对第一个问题，我们在一个非常基础的浅层卷积神经网络（CNN）架构中运用三种技巧给出了肯定回答：定制损失函数，以及基于平滑和基于标签的数据增强。该定制损失函数强制相邻波长对训练期间生成的特征具有相似贡献。本文提出的一种新的基于标签的技术有利于在较小类别中选取像素，这在标注像素极少且类别分布偏斜时大有裨益。为回答第二个问题，我们引入一种新的采样过程以生成互不相交的训练集与测试集。随后利用训练集获得CNN模型，并将其应用于测试集中的像素以估计其标签。我们在五幅公开可用高光谱图像上评估了该简单神经网络方法的有效性。在这些图像上，我们的方法显著优于所考虑的基线。值得注意的是，每类仅使用1%的标注像素时，在我们的数据集上该方法取得的准确率从86.42%（困难数据集）到99.52%（简单数据集）不等。此外我们表明，在这种新的具有挑战性的监督设定下，该简单神经网络方法优于其他基线。我们的分析证实了使用整幅图像（即训练与测试数据）来构建模型具有高度有益的效果。