SC-EADNet: A Self-Supervised Contrastive Efficient Asymmetric Dilated Network for Hyperspectral Imag

自娱自乐读对比学习高光谱图像分类的论文5

现有的无监督或者半监督卷积网络的问题；

• 用于特征学习的像素级多尺度上下文信息利用不足
• 昂贵的计算成本

I. INTRODUCTION

能用总结性的发言，如 These methods typically contain two steps:1) designing … 2) designing … 不管是不是自己的总结，这样写总体感觉还是不错的。
现在的半监督和无监督分类的主要问题：

• 只依赖像素级的光谱的信息，忽略了逐像素级别的上下文信息
• 固定 patch 大小的语义和空间信息，忽略了多尺度感受野

现在的CNN模型的主要问题：

• 计算复杂度高

提出模型的优点：

• 多尺度
• 轻量化

II. RELATED WORK

A. Supervised and Semisupervised HSI Classification
B. Self-Supervised HSI Classification
- 生成
- 判别
C. Real-time Convolution Neural Network

III. METHOD

这个图挺清晰的，什么时候做什么,用那层的进行分类，不花里胡哨，简明易懂。

A. Proposed SC-EADNet Overview

B. Self-Supervised Contrastive Feature Learning

Three steps

• data preprocessing
  • PCA
  • four different sizes of patches
  • the exact size of 31 × 31 by bicubic interpolation
• FE backbone
• the linear evaluation protocol to evaluate the results

data augmentation (第一次系统的将数据增强应用到高光谱图像分类中)

• spatial transformation of data: crop, rotation, flip
• appearance transformation: color dropping, brightness, contrast, saturation, hue, Gaussian blur, random grayscale
• 50% of data is for training, and the remaining 50% of data is for testing

C. EADNet Structure
用什么轻量化：ACNet + MobileNet？
用什么多尺度:Inception?

D. Computation Complexity of EADNet

IV. EXPERIMENTS

A. Dataset Description
对训练和测试的样本选择介绍的比较详细：
预训练：50%，50%
fine-tuning: 每类5个标签。

B. Comparison Results With State-of-the-Art Methods
对比算法选择在我看来，好新颖啊。

C. Computational Complexity Analyses
D. Ablation Study of EADNet
E. Parameter Analyses

• Effect of Different Patch Sizes:
• Effect of the Number of Multiscale Patches
• Effect of Different Number of Labeled Training Samples

V. C ONCLUSION

这篇论文是我目前看的最强的对比学习论文了。如果有代码可以好好的细看。