【论文笔记】Beyond the Patchwise Classification：SSFCN for HIC

Y. Xu, B. Du and L. Zhang, “Beyond the Patchwise Classification: Spectral-Spatial Fully Convolutional Networks for Hyperspectral Image Classification,” in IEEE Transactions on Big Data, doi: 10.1109/TBDATA.2019.2923243.
Xu Y , Du B , Zhang L . Beyond the Patchwise Classification: Spectral-Spatial Fully Convolutional Networks for Hyperpsectral Image Classificaiton[J]. 2019.

1.贡献点

1. 提出了一个端到端的适用于HIC的SSFCN。输入为HSI的整幅图像，而不是HSI patch；计算损失时用到了一个mask matrix，只计算每个训练样本像元的损失，而不是整张图所有像元的损失；
2. SSFCN为双分支，光谱分支和空间分支在最后加权融合，这两个权重是可学习的参数，而非人为设定的参数；
3. 最后为了平衡局部信息和全局信息，使用CRF作为后处理方法。

2.论文细节

2.1 Spectral Fully Convolutional Networks for HSI Classification

  spectral FCN的网络结构：

（最后一个卷积层岂不是又用了ReLU，又用了Softmax？？？）
  损失函数：

2.2 Spatial Fully Convolutional Networks for HSI Classification

2.3 Spectral-Spatial Fully Convolutional Networks for HSI Classification

2.4 Incorporation with Global Information Using Dense Conditional Random Fields

3.实验

  PU、Houston SV三个数据集。
  实验结果一：spectral FCN经过第一、第二、第三个卷积层后得到的特征。（不知道是Meadows和Trees地物一个像元的光谱曲线还是所有像元的光谱曲线呢？？？）

  实验结果二：将原始特征空间中有标签的样本和经过spectral FCN卷积后的特征空间中有标签的样本进行可视化。（这里将两个特征空间都降至3维。不知道右边的卷积层是第几层？？？）

  实验结果三：spatial FCN提取到的空间特征。


  实验结果四：空间权重和光谱权重。（可以看到空间权重还是挺大的，跟SS3FCN那篇论文得到的结论不同。）

  实验结果五：Raw（SVM）、PCA（PCA+SVM）、SAE、Spe-FCN、2D-CNN、Spa-FCN、3D-CNN、SSFCN、SSFCN-CRF的分类结果。有一个问题是在PU和SV上SSFCN的分类精度都没有3D-CNN好，只是时间大大减少了。（3D-CNN：Y. Chen, H. Jiang, C. Li, X. Jia, and P. Ghamisi, “Deep feature extraction and classification of hyperspectral images based on convolutional neural networks,” IEEE Transactions on Geoscience and Remote Sensing, vol. 54, no. 10, pp. 6232–6251, 2016.）

4.单词（Je vous connais depuis toujours.）

今日推荐：请以你的名字呼唤我 Call Me by Your Name (2017)、燃烧女子的肖像 Portrait de la jeune fille en feu (2019)
2020-6-10 20:28:19
这两部想一起推荐，都是文艺爱情片，看完都感受到了灵魂的震颤。