BassNet：Band-Adaptive Spectral-Spatial Feature Learning Neural Network for Hyperspectral Image ...

遥感领域Top期刊（注重算法理论创新）BassNet：Band-Adaptive Spectral-Spatial Feature Learning Neural Network forHyperspectral Image Classification1.Introdction
高光谱成像[1]，[2]从大量密集相邻的频带收集丰富的光谱信息。 它产生三维（x; y;λ）数据卷，其中x; y表示空间维度，λ表示光谱尺寸。
FCN不连接FC，肯定不是分类的呀，是这个图像分割的，全连接层是和分类相关联的层，既然没有全连接，肯定不是直接用来处理分类问题的。
 
高光谱数据处理的挑战：
1.    过高维的光谱维度
2.    训练标签数据缺乏
3.    光谱的空间变异性大
 
传统方法：
KNN、 SVM   1. 维度降低 2. 使用SVM分类器分类
local Fisher’s Discriminant Analysis + GMM
Gaussian Non-linear Discriminant Analysis + Relevance VectorMachine
ELM
LBP + Gabor +ELM
深度学习：
两大类：1. （1）autoencoder 通过对输入的提取，在输出端娃安成输入的重建，降维的同时收集更有用的语义信息。
          （2）多分类器分类（logistic regression）
         2. 基于像素的端到端的图像分类方法 
本文方法：一种学习频带特定空谱联合特征的深度学习架构，不需要数据增强和预处理。
有三个级联结构：
Block1：获取输入P*P*N,并进行初步转化
Block2：一个并行的神经网络输入，分别提取中高级特征并在输出端融合
Block3：进行一个总结，输入逻辑回归分类器


1.    end-to-end neuralnetwork，参数更少，用卷积神经网路的参数量都较少，权重共享。
2.    与其他深度学习方法相比时间更短
 
2.  Prosasedframework
A.三个阶段的详细讨论：
Block1：光谱特征选择和分割，把选取的P*P范围的Nc光谱分割成nb段，每段带宽b，所以后面才有这个对不同层次进行特征提取。这里处理成不同段是可以利用1*1卷积，沿着光谱尺寸进行输入，得到输出。
   Block2：并行特征学习和融合。
   Block3：fc层之后在接入softmax
B.结构深入探索


表一展示了四种完全不同的结构，在block2中，所有的net都具有一致的结构，在conv和fc后采用relu函数，带*的有所不同，ps=on/off表示在block2中权值是否共享，convxy—p，n代表卷积输入p*p，n是输出的channel数，convlambda——p，n，输入光谱是p，输出是n。每一个卷积层，都有一个三维的filters，与输出保持一致
Block1里面的提取过程。


 
Block2里面对光谱维度的提取。


重点：
1.在Block2中权值共享提升精度，减少参数，防止过拟合。
2.在configuration2中用两个卷积神经网络代替了1中的fc，精度上升，可能是参数量减少
3.结构1、2拿到一个窗口之后，没有变换，就输出n个波段给下面的Block2,3、4结构是先通过一个1*1的卷积结构（relu）输出n段在输入Block2
4.在Block2中全部使用卷积神经网络，效果更好
 
The networks are trained by minimizing the cross-entropy lossfunction
Adam optimizer
Learning rate=0.0005
Dropout=0.5
 
3.    Experimentalresults
A、三个数据集：Indian pines、Salinas、PaviaUniversity
IndianPines部分数据量太小，只保留了9类，所以要学会对数据进行处理
B、评价指标
   AA、OA、precision、F1、recall、kappa
C、平台
Torch+lua
NVIDA Tesla K20C GPU
D、Comparsion of different hyperparameter settings
Block1和Block2（configuration4）中1*1卷积输出channels
Block1中的input的patches，越大效果越好，但不是正增长。
E、与其他深度学习算法对比