tensorflow残差网络高光谱图像分类_光谱-空间高光谱图像分类的深层金字塔残差网络...

论文地址：Deep Pyramidal Residual Networks for Spectral-Spatial Hyperspectral Image Classification

代码地址：https://github.com/mhaut/pResNet-HSI

1、介绍

在以往的研究中提出了各种不同类型的无监督和监督方法对

数据进行分类，但是由于消失梯度问题导致信息丢失，用

数据训练非常深的

仍然有困难。因此残差网络（

）被提出来发现

数据中的高分辨光谱-空间特征。本文提出了一种新的基于金字塔瓶颈残差单元的

模型，以实现快速、准确的

数据分析和分类，同时利用光谱和空间信息。新的深度模型是由几个堆叠卷积层组成的，它们具有瓶颈体系结构，其中输出层大于输入层。这样，原始

立方体中的光谱通道数在每个块上一步一步地增加，形成金字塔的错觉。并且随着残差单元的加深，允许从

立方体中学习更健壮的光谱-空间表示，提取更多的特征图。结果表明，该模型不仅优于光谱-空间卷积神经网络，而且优于基线

。

2、方法

2.1 残差单元

作者给出不同残差单元的结构如下：

相对于传统的残差单元，金字塔形瓶颈残差网络在输入和输出的通道数上做了改变，输出维度大于输入维度。

2.2 金字塔形瓶颈残差网络结构

输入数据

，经过以下模块得到输出：

（1）输入模块

：由

和

层组成

（2）金字塔模块

,

,

:每个金字塔模块有三个瓶颈残差单元组成

,

,

，每个

可以总结为

--

--

--

--

--

--

。为了利用HSI数据中包含的光谱-空间信息，不同残差单元的不同的

层使用特定大小的卷积核。注意，模块

保持空间特征大小，将每个

的所有

层的卷积操作步长设置为

=1；模块

和

实施了不同的机制对输入数据进行下采样。在这两个模块的第一个残差单元

和

中，

层卷积操作的步长设置为

=2，并且在单元最后增加下采样层。每个残差单元输出的特征图的维度（通道数）由下列公式计算得到：

即输出特征图的通道数大于输入的通道数。

（3）输出模块

:首先进行下采样，然后重塑成向量输入FC层得到分类结果。

下表给出了所有

层使用的卷积核的大小：

3、实验结果

在以上三种数据集上，本文所提出的方法的效果明显优于目前的主流方法。

4、结论

本文得出的主要结论之一是在对高光谱数据进行分类时使用光谱-空间信息的相关性，新提出的办法能够发现高度描述性的光谱-空间分类特征，也就是说，在所有残差单元逐步增加特征图的通道维度可以得到更好的光谱-空间属性，使分类结果得到改进。其二是用于训练的数据量，对于使用不同百分比的训练数据的其他最佳模型，提出的方法都可以使性能得到进一步改进。