A NEW HYPERSPECTRAL BAND SELECTION APPROACH BASED ON CONVOLUTIONAL NEURAL NETWORK文章笔记

A NEW HYPERSPECTRAL BAND SELECTION APPROACH BASED ON CONVOLUTIONAL NEURAL NETWORK

文章地址:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8127792

写在前面:各位朋友好,这是本人第一篇博客,为了不打击自己,决定从一篇易懂的paper的阅读笔记开始写起,写的不好不对的地方望各位朋友不吝赐教,在此先行谢过。

1、文章简介:

这是一篇运用卷积神经网络CNN高光谱波段选择的论文,摘要中称此文是第一篇把CNN用在波段选择的工作,另外据我个人理解这是一篇wrapper特征选择方式的工作。

① 流程简介:“在本文中,我们首先将CNN引入频段选择。 我们使用1D-CNN训练高光谱带标记数据来获得训练有素的模型,然后,我们使用该模型来测试各种波段组合。 在测试结果中,我们选择具有最高精度的波段作为选定波段,并验证我们的方法选择的波段对土地利用或土地覆盖分类的影响。

② 主要贡献:“1、我们使用深度卷积神经网络更好地选择波段,是这个问题的第一个深度学习解决方案。 我们证明了深度学习在高光谱带选择困难的挑战中是有用的,这得益于深度CNN的高级特征提取能力。2、在频带组合测试阶段,我们使用频段零填充技术来解决测试频带数量少于训练频带的问题。

2、方法简介:

A NEW HYPERSPECTRAL BAND SELECTION APPROACH BASED ON CONVOLUTIONAL NEURAL NETWORK文章笔记

左侧流程图画的挺清晰的:A NEW HYPERSPECTRAL BAND SELECTION APPROACH BASED ON CONVOLUTIONAL NEURAL NETWORK文章笔记

以一个像素点的全波段作为输入,经过两组卷积核为30*(3*1或5*1)的1-D CNN、RELU激活函数和步长为k2的Max-Pooling,最终接一层全连接层,然后连接softmax分类层。

文中还计算了参数量,然而可惜的是,没有给出具体的卷积核还有pooling层的步长。

右侧是算法流程

1、在上述网络搭建好后,利用每个训练集像素的全波段训练整个网络。

2、假设我们选取m个波段(m<波段总数),就所有可能的m个波段组合,记为BCn(n是所有可能集合数目)。

3、测试一种组合BCi的测试精度,具体做法是将测试数据中 所在的BCi波段集合中的波段保留原值,其余波段数值置零。

4、测试每一种组合的精度,选取精度最好的波段组合及其精度,作为数目为m的最优波段组合及精度。

3、实验结果和分析:

实验数据是最经典的Indian Pines高光谱数据,去除干扰波段剩余196,分类本该十六类,该文选取的是其中十类,如下图。

A NEW HYPERSPECTRAL BAND SELECTION APPROACH BASED ON CONVOLUTIONAL NEURAL NETWORK文章笔记

实验结果如下图。

A NEW HYPERSPECTRAL BAND SELECTION APPROACH BASED ON CONVOLUTIONAL NEURAL NETWORK文章笔记

选择波段示意如下图。

A NEW HYPERSPECTRAL BAND SELECTION APPROACH BASED ON CONVOLUTIONAL NEURAL NETWORK文章笔记

文中略微解释了一下实验结果:“Because the bands we selected are mainly used for the classification of the land cover/use itself, and not focus on the differences between objects, the bands selected need to represent the features of the land cover/use. (因为我们选择的波段主要用于土地覆盖/使用本身的分类,而不是关注物体之间的差异,所选择的波段需要代表土地覆盖/使用的特征。)”

 

 

上一篇:web版ssh的使用


下一篇:数据库的规范和SQL优化技巧总结