[文獻閱讀]基於卷積神經網絡的高光譜圖像深度特征提取與分類

Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks

---

使用3-D CNN提取空-譜信息

主要內容

1. 基於CNN設計了三種FE（Feature Extraction) 結構，分別提取空間，光譜和空-譜特征。其中設計了3-D CNN能夠有效的提取空-譜特征，提高了分類的效果。
2. 在訓練過程中使用L2 正則化，和 Dropout 來解決訓練樣本太少導致的過擬合問。題
3. 在影像預處理過程中使用了一種虛擬樣本來創造訓練樣本。
4. 首次從HSI中提取了不同深度的層次特征，並對其進行了分析。
5. 所提出的方法應用於三個著名的高光譜數據集。

3-D convolution

在位置\(x,y,z\) 處第\(j\) 個特征圖的神經元\(v_{ij}^{xyz}\) 的值為

\[v_{ij}^{xyz} = g(\sum_m \sum_{p=0}^{P_i -1} \sum_{q=0}^{Q_i -1} \sum_{r=0}^{R_i -1} w_{ijm}^{pqr} v_{(i-1)m}^{(x+p)(y+p)(z+r)}+b_{ij}) \]

其中\(m\)是連接到當前第\(j\)層特征圖在第\((i-1)\)層的特征映射，\(P_i\)和\(Q_i\)是空間卷積核的高和寬。\(R_i\)是沿着光譜維的核的大小\(w_{ijm}^{pqr}\)是第\(m\)個特征圖在位置\((p,q,r)\)處的值，\(b_{ij}\) 是

3-D CNN的體系結構

選擇$K×K×B $大小的鄰近像素作為3-D CNN的輸入，包含卷積層和池化層，然后用邏輯回歸作為輸出層

創建虛擬樣本

包括高光譜成像在內的遙感通常包含一個大區域，而同一類別的不同位置的物體受不同輻射的影響。

A. Changing Radiation-Based Virtual Samples

虛擬樣本可以通過模擬成像過程來創建。新的虛擬樣本\(y_n\)通過乘以隨機因子並將隨機噪聲添加到訓練樣本\(x_m\)來獲得

\[y_n = \alpha_m x_m +\beta_m \]

其中，\(x_m\)是一個立方體，它包括被分類像素的光譜信息和空間信息。

\(\alpha_m\)表示光強度的干擾，它可能受很多種因素的影響，例如季節和大氣。

\(\beta\) 控制高斯噪音的權重，由相鄰像素和儀器誤差決定。

B. Mixture-Based Virtual Samples

由於物體與傳感器之間的距離很長，所以混合物在遙感中是很常見的。受這種現象的啟發，可以從兩個給定樣本中生成具有適當比率的虛擬樣本\(y_k\)。

\[y_k = \frac{\alpha_ix_i+\alpha_jx_j}{\alpha_i+\alpha_j}+\beta_n \]

基於一個類別的高光譜特征在一定范圍內變化這一事實，可以合理地假設該范圍內的混合結果仍然屬於同一類別。

具體操作

將樣本按1：9划分為測試集和訓練集。

使用27 × 27 × 200，27 × 27 × 103和27 × 27 ×176 分別作為

Indian Pines, University of Pavia, 和 KSC 數據集 的輸入。

輸入的影像被歸一化到[-0.5,0.5]

結構和參數

mini-batch（批大小） ：100 learning rate（學習率）：0.003 epoch（迭代次數)：400

添加dropout,使用ReLU激活函數

使用虛擬樣本

方法A：\(\alpha_m\)是[0.9,1.1]之間的均勻隨機數，\(\beta\)是噪音權重設置維\(1/25\)。

方法B：\(α_i\)和\(α_j\)是區間[0,1]上均勻分布的隨機數，而\(x_i\)和\(x_j\)是從同一類中隨機選擇的。