高光谱图像分类论文学习————SSRN

    今天学习的文章是Spectral-Spatial Residual Network for Hyperspectral Image Classification: A 3-D Deep Learning Framework
引用：

Z. Zhong, J. Li, Z. Luo, and M. Chapman, “Spectral–spatial residual network for hyperspectral image classification: A 3-D deep learning framework,” IEEE Trans. Geosci. Remote Sens., vol. 56, no. 2,pp. 847–858, Feb. 2018.

流程图：

    从图中可以看出，SSRN的思想主要是利用 跳跃连接 将浅层特征向后传递，实现浅层特征与深层特征的融合。具体而言，通过 多个光谱残差块-多个空间残差块 的堆叠来进行特征提取。光谱残差块用$1\times 1\times k$对光谱特征进行特征提取和降维，空间残差块用$3\times 3\times m$（with padding）进行空间特征提取，最后用全连接层分类。特别的，卷积层后都使用了BatchNorm，这将可以提高分类准确率。

    实验方面，对IndianPines，KSC数据集，训练集：验证集：测试集=2:1:7，对PaviaU数据集1:1:8.