基於 RPNet 的高光譜圖像分類
Hyperspectral image classification via a random patches network
作者: Yonghao Xu, Bo Du, Fan Zhang, Liangpei Zhanga
主要工作: 普通深度網路結構用於高光譜圖像分類,因為要進行預訓練和微調導致耗時太多,文中提出一種基於Random Patches Network (RPNet) 的高光譜圖像分類方法,不同於普通深度框架, 它直接從圖像中隨機選擇若干個塊兒(Random Patches)視為卷積核而且無需任何訓練。 通過結合淺層和深層卷積特徵,RPNet具有多尺度的優點,高光譜分類效果好。
存在問題:
目前基於深度網路的高光譜圖像分類的方法,分別提取光譜、空間信息或者空譜聯合信息,然後分類,存在如下問題:
- 網路結構訓練和微調耗時量大;
- 大量參數導致深度網路的複雜度高;
- 需要大量訓練樣本;
- 僅利用最深層的特徵來進行分類。
核心概念:
隨機投影, 是一種簡單有效的降維方式,在隨即投影中,原始的 維數據使用隨機矩陣將映射到 維子空間( )。通過隨機投影不同類別之間的邊緣可以保持完好,在低維空間中僅需要少量樣本來訓練分類器。
RPNet 網路結構示意圖(2層)