遥感高光谱分类文献阅读：Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification

Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification

2018.11月的TGRS文章。
本文的基本任务是学习出一个特征，从而可以结合谱特征和deep net的空间特征，得到一个spectral–spatial feature representation。这样得到的特征空间中同类的距离更近，而不同类的距离远，用这个特征喂进SVM进行分类，效果可以达到SOTA。

Introduction：
高光谱遥感图像（HSI，HyperSpectral Image）的地物分类是一个很重要的问题。最开始的方法就是把每个点的所有通道，也就是其频谱，作为输入特征，然后用诸如SVM等方法进行分类，当然效果不令人满意，因为现实中有同类光谱不同和不同类光谱相同的情况。后来，人们把空间特征利用起来，提取spectral-spatial features，得到了很大的提升。另外，还有用形态学提取纹理特征的方法。
近年来，深度学习算法的出现使人们转向深度网络方法，主要是基于local patch-based samples，来提取这一点的特征，将HSI空间中的点转换到特征空间，便于后面的分类。这样的结果就带上了频谱和空间的双重特征。

作者认为CNN-based HSI分类算法有两个要解决的问题。一个是样本少，网络小，从而泛化能力差；另一个是只用了最后的层提取特征，保留了高阶信息，但是丢掉了fine-grained的细节信息。这篇文章就是拟解决这两个问题。

Method

• 1. feature extraction
     这一个步骤是提取deep spatial features，用of-the-shelf CNN来实现。这时候得到的是spatial特征。
• 2. metric learning-based feature fusion, feature learning, and classifier training.
     这个步骤是将spatial和spectral特征fuse起来，然后交替进行特征学习和分类器训练，这个过程是用metric learning的框架实现的。

这里的用CNN提取特征并不像普通方法那样，用一个分类网络最后的两个FC层的向量作为特征，因为作者认为这个向量只有高阶语义特征，而较少空间特征。这里的做法是把所有 feature map给upsample到同尺寸，然后concat起来，作为最终的结果，这个多通道的图的每个点的所有channel就是我们需要的spatial feature。

接下来就是一个metric learning的过程，metric的loss function是一个类间间隔和类内间隔的函数，类似RELIEF算法。分类器用的是SVM，通过优化得到最终结果。

实验结果如上图，在PAVIA UNIVERSITY，indian pines等公开数据集上也达到了SOTA水平。

值得一提的是，这个方法的速度也比较好，因为没有训练的过程，CNN用的是pretrain的off-the-shelf的，因此速度较快。

keep on 今も忘れられない
You’re mine 永远だから

—— ワ-Come On

2019年03月19日20:05:26