一种基于多尺度自循环卷积网络的高光谱图像分类方法HyperLoopNet

基于卷积神经网络(CNN)的高光谱图像(HSI)分类一直是遥感领域的研究热点，这是由于CNN提供的高级特征提取能够在多个阶段对特征进行有效编码。然而CNN的缺点是，为了获得优异的性能，它们需要更深入、更广泛的架构以及大量的训练数据，这往往是不切实际和不可行的，此外，对正向连接的依赖导致信息流效率低下，进一步限制了分类。因此，为了缓解这些问题，本文提出了一种自循环卷积网络HyperLoopNet模型，以实现更有效的HSI分类。

在HyperLoopNet模型中，自循环块中的每一层都包含前向和后向连接，这意味着每一层都是其它层的输入和输出，从而形成一个循环。网络中的这些循环连接使得信息流通最大化，从而提供高级特征提取。自循环连接能够有效地控制网络参数，进一步允许我们采用多尺度设置更广泛的架构，从而提供不同空间级别的抽象表示。

本文使用四个基准高光谱数据集对HyperLoopNet模型进行测试：两个Houston高光谱数据集(DFC 2013和DFC2018)、Salinas Valley数据集以及combined Pavia University和中心数据集的组合。

RGB colour composites of the three bands and groundtruth maps for (a) Houston 2013 dataset (b) Houston 2018 dataset (c) Salinas dataset.

结果表明，HyperLoopNet模型的性能都优于其它模型(四个数据集的最高kappa百分比分别为87.28%、71.08%、99.24%和68.44%)，该模型的主要优势在于，即使参数数量非常有限，它也能轻松地超越所有最先进的模型。

在未来的工作中，研究者计划在HyperLoopNet模型中加入注意机制，以明确地突出更具辨别力的特征来进行分类，进一步探索开放集场景中的模型(包括模型在训练阶段没有看到的类)。

(a) Three band true colour composite of Salinas Valley HSI (b) Groundtruth of Salinas Valleys dataset. Classification maps using (c) SpecAttenNet (d) 3D CNN (e) FusAtNet (f) HybridSN (g) Two Branch CNN (h) Residual CNN (i) SARFN (j) LWt CNN (k) Octave CNN (l) HyperLoopNet.

本文提出了一种新的高光谱图像分类方法HyperLoopNet。该方法的优势在于，在密集连接的网络中包含反馈连接，使得每个卷积层都被输入到每个其它层，从而创建了一个自循环块。由于共享连接，模型中的信息流通效率非常高，因此可利用相对较少的模型参数。同时，这也允许我们创建一个多尺度结构，每个自循环块具有不同大小的卷积核，确保特征携带各种空间尺度的信息足够丰富。研究者在四个基准高光谱数据集上测试了HyperLoopNet模型，结果表明该模型的性能优于现有方法。

来源：https://doi.org/10.1016/j.isprsjprs.2021.11.021

公众号：农业之巅

更多信息请关注智农云芯(AgriBrain)：www.agribrain.cn