遙感高光譜分類文獻閱讀：Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification

Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification

2018.11月的TGRS文章。
本文的基本任務是學習出一個特徵，從而可以結合譜特徵和deep net的空間特徵，得到一個spectral–spatial feature representation。這樣得到的特徵空間中同類的距離更近，而不同類的距離遠，用這個特徵喂進SVM進行分類，效果可以達到SOTA。

Introduction：
高光譜遙感圖像（HSI，HyperSpectral Image）的地物分類是一個很重要的問題。最開始的方法就是把每個點的所有通道，也就是其頻譜，作爲輸入特徵，然後用諸如SVM等方法進行分類，當然效果不令人滿意，因爲現實中有同類光譜不同和不同類光譜相同的情況。後來，人們把空間特徵利用起來，提取spectral-spatial features，得到了很大的提升。另外，還有用形態學提取紋理特徵的方法。
近年來，深度學習算法的出現使人們轉向深度網絡方法，主要是基於local patch-based samples，來提取這一點的特徵，將HSI空間中的點轉換到特徵空間，便於後面的分類。這樣的結果就帶上了頻譜和空間的雙重特徵。

作者認爲CNN-based HSI分類算法有兩個要解決的問題。一個是樣本少，網絡小，從而泛化能力差；另一個是隻用了最後的層提取特徵，保留了高階信息，但是丟掉了fine-grained的細節信息。這篇文章就是擬解決這兩個問題。

Method

• 1. feature extraction
     這一個步驟是提取deep spatial features，用of-the-shelf CNN來實現。這時候得到的是spatial特徵。
• 2. metric learning-based feature fusion, feature learning, and classifier training.
     這個步驟是將spatial和spectral特徵fuse起來，然後交替進行特徵學習和分類器訓練，這個過程是用metric learning的框架實現的。

這裏的用CNN提取特徵並不像普通方法那樣，用一個分類網絡最後的兩個FC層的向量作爲特徵，因爲作者認爲這個向量只有高階語義特徵，而較少空間特徵。這裏的做法是把所有 feature map給upsample到同尺寸，然後concat起來，作爲最終的結果，這個多通道的圖的每個點的所有channel就是我們需要的spatial feature。

接下來就是一個metric learning的過程，metric的loss function是一個類間間隔和類內間隔的函數，類似RELIEF算法。分類器用的是SVM，通過優化得到最終結果。

實驗結果如上圖，在PAVIA UNIVERSITY，indian pines等公開數據集上也達到了SOTA水平。

值得一提的是，這個方法的速度也比較好，因爲沒有訓練的過程，CNN用的是pretrain的off-the-shelf的，因此速度較快。

keep on 今も忘れられない
You’re mine 永遠だから

—— ワ-Come On

2019年03月19日20:05:26