SpectralNET：探索用于高光谱图像分类的空间-光谱小波 CNN

使用卷积神经网络 (CNN) 的高光谱图像 (HSI) 分类在当前文献中广泛可见。方法从使用 SVM 到 2D CNN、3D CNN、3D-2D CNN 不一而足。除 3D-2D CNN 与 FuSENet 外，其他方法并未同时将光谱与空间特征用于 HSI 分类任务，从而导致性能不佳。3D CNN 计算繁重且未被广泛使用，而 2D CNN 未考虑图像的多分辨率处理，且仅局限于空间特征。尽管 3D-2D CNN 试图建模光谱与空间特征，其在多个数据集上应用时性能似乎有限。在本文中，我们提出 SpectralNET，一种小波 CNN，它是用于多分辨率 HSI 分类的 2D CNN 的变体。小波 CNN 使用小波变换层来提取光谱特征。计算小波变换比计算 3D CNN 更轻量。所提取的光谱特征随后连接到提取空间特征的 2D CNN，从而构建用于分类的空间-光谱特征向量。总体上获得了一个能以高准确率分类多分辨率 HSI 数据的更优模型。在基准数据集即 Indian Pines、University of Pavia 与 Salinas Scenes 上用 SpectralNET 进行的实验证实了所提 SpectralNET 相对于现有最优方法的优越性。代码公开于 https://github.com/tanmay-ty/SpectralNET。