Weiwei Song, Student Member, IEEE, Shutao Li , Senior Member, IEEE, Leyuan Fang , Senior Member, IEEE, and Ting Lu , Member, IEEE
Weiwei Song, Student Member, IEEE, Shutao Li , Senior Member, IEEE, Leyuan Fang , Senior Member, IEEE, and Ting Lu , Member, IEEE
)
前置知識點
前置信息: 殘差網絡,卷積快,池化層,圖像預處理用PCA進行降維
創新點
深層融合神經網絡
1 首先他構建了一個非常深入的網絡來提取HSIs的更多鑑別特徵。具體來說,該網絡由多個剩餘塊組成,每個塊包含兩個卷積層。隨後運用批量歸一化的方法,在每次卷積後和激活前加快網絡的收斂速度。
2 上圖給出了剩餘塊的說明。設F(X)爲兩個卷積層要學習的原始底層函數,其中X爲第一層殘差塊的輸入。殘差學習實際上是將兩個卷積層優化爲一個恆等映射,利用短連接實現,如上圖(紅線)所示。
** 3**通過引入殘差函數G(X) = F(X) - X,原F(X) = X的目標函數等價地轉換爲G(X) = 0。如前所述,F(X)可以用以下形式表示:F(X)= G(X)+X.
整體模型
首先,對高光譜數據進行主成分分析(PCA)算法,提取信息量最大的成分,降低了計算成本。然後,構建以標記像素爲中心的訓練圖像塊來訓練DFFN。最後,利用訓練後的網絡對測試像素的標籤進行預測。
模型分析
首先把整個模型分爲底層中層和高層三個大模塊,每個模塊中又含有3個卷積塊,利用殘差網絡首先對每個模塊進行融合,同時保證深度防止過擬合,而後將低中高三層再次進行融合,最終經過池化層,全連接層後進行分類。
注意事項
考慮到不同的層可能具有不同數量的feature map,這篇論文使用維數匹配函數(即),以確保它們在特徵融合之前具有相同的光譜維數。具體地說,假設FL、FM和fh分別表示低層、中層和高層層的輸出,分別有16、32和64個feature map。然後,可以用64個大小爲1×1的核來卷積它們。通過這種複雜的操作,ofl、FM和FH的特性映射數都變成了64。
應用
適合小樣本學習