IEEE GRSL 2019：HybridSN：基于 3-D–2-D CNN 的高光谱分类
题目
HybridSN: Exploring 3-D–2-D CNN Feature Hierarchy for Hyperspectral Image Classification
作者
Swalpa Kumar Roy, Student Member, IEEE, Gopal Krishna, Shiv Ram Dubey , Member, IEEE,
and Bidyut B. Chaudhuri, Fellow, IEEE
关键词
2-D-convolutional neural network (CNN), 3-D-CNN, deep learning, CNNs, hybrid spectral CNN
(HybridSN), hyperspectral image (HSI) classification, remote sensing, spectral–spatial.
研究动机
实现空-谱特征的轻量化提取
模型
高光谱图像（HSI）分类广泛用于遥感图像的分析。 高光谱图像包括不同波段的图像。 卷积神经网络（CNN）是最常用的基于深度学习的视觉数据处理方法之一。 在最近的作品中也可以看到使用 CNN 进行 HSI 分类。 这些方法大多基于 2-D CNN。 另一方面，HSI 分类性能高度依赖于空间和光谱信息。 由于计算复杂性增加，很少有方法使用 3-D-CNN。 这封信提出了一种用于 HSI 分类的混合光谱 CNN (HybridSN)。 一般来说，HybridSN 是一个光谱空间 3-D-CNN，然后是空间 2-D-CNN。 3-D-CNN 有助于从一堆光谱带中进行联合空间光谱特征表示。 3-D-CNN 之上的 2-D-CNN 进一步学习更多抽象级别的空间表示。 此外，与单独使用 3-D-CNN 相比，使用混合 CNN 降低了模型的复杂性。 为了测试这种混合方法的性能，在 Indian Pines、帕维亚大学和萨利纳斯场景遥感数据集上进行了非常严格的 HSI 分类实验。 结果与最先进的手工制作以及基于端到端深度学习的方法进行了比较。 使用所提出的 HybridSN 进行 HSI 分类获得了非常令人满意的性能。
亮点
逐级使用3-D卷积和2-D卷积实现对空间-光谱特征的提取，已经成为基于CNN高光谱分类方法的主流被对比框架。
论文以及代码
论文链接: link
代码链接: link
拓展阅读
基于特征各向异性的高光谱影像分类方法：Grid Network: Feature Extraction in Anisotropic Perspective for Hyperspectral Image Classification。
论文链接: link
代码链接: link
