【学习笔记】Capsure Networks for HSI

【利用胶囊网络处理高光谱图像问题】


 

Abstract

传统的CNNs对高光谱图像(HSI)识别问题有很好的效果,但是传统的CNNs对于找到空间-光谱间特征的联系领域上面存在障碍。(光谱-空间特征的联系是解决远景HSI 高等级复杂度的关键)

之前的解决办法是使用大量的信息数据调试参数。

我们建立一个基于 光谱-空间 压缩网络的 新CNN结构来降低寻找参数的复杂度

我们定义一个CNN模型将压缩单元(capsule unit)改变为空间-光谱单元(s-s),专用于识别远处的HSI数据

这个模型由以下几个模块组成

  • 空间-光谱压缩:能够通过考虑物理位置,空间特征的联系,他们可能的传输,找寻s-s特征

 

选用了5组数据和其他方法进行比较

INTRDUCTION

主要目的:对遥感光谱信息的整理,比如电子微观科学等

 

主要解决问题所在

  • 数据的高复杂度

  • 训练数据量的限制

导致的问题

  • 传感器所具有的信息过多,并且存在不可避免的扰动,限制了行为

  • 训练集的标记的可利用性被限制,(没太读明白)

使用三维向量作为计算方法

卷积神经网络能够筛选出低级的特征,然后进一步得到更高级的特征

但即使这样,不同位置之间的关系的获得还是受限,

拥有共用层和空间大小逐渐减小,中间的数据表明在下层和上层特征之间存在联系

共用操作基于低层例子特征空间的大小,不可避免的丢失重要的位置信息

无法适应微小改变,无法得到两个物体之间的关系

前面的一些改进方法:

  • 使用深度网络,虽然能够改善,但是需要大量正确匹配的数据

残差网络和Dense网络都尝试各自解决这个问题

  • 残差网络:使用processing block 作为基础模块使他能够从已知的上层获得特征

  • Dense网络:定义一个在前面特征的映射 的结构

  • Caps网络:将数据之间的关系编码成表示可能性的向量

自此,我们想到一种新的基于CapsNets的CNN,实现高速HSI识别的同时显著的降低降低建立网络的时间复杂度

我们的模型能够,每个压缩估计在HSIdata当中特定的S-s特征联系的可能性

除此之外,通过观察s-s之间的特征所经历的转化(通过respect彼此对应的地方)提供一系列对应的参数

最终这个网络能够在高阶抽象等级上,特征化HSI的输入数据,最终令我们能够降低回

旋的层数和继承模型的复杂度,令GPU能够更快的执行操作

文章各模块简述:

  • Ⅱ CNN的优点和局限

  • 三 描述我们模型的方法

  • 四 和其他方法的比较

  • 五 一些注意事项和提示给未来的研究方向

  •  

 

 

上一篇:Paper | Highway Networks


下一篇:Docker单机利器之docker-compose