5.卷积神经网络（CNN）用于HSI分类任务
CNN可以分为两个结构：特征提取（FE）网络和分类器。本文主要研究三种CNN架构：
- 谱段CNN
- 空间CNN
- 谱段--空间结合CNN
A.谱段CNN框架用于HSI分类任务
谱段CNN模型中只考虑\(1D\)谱段信息（\(x_i \in R^B\)）作为输入。
下面列举一些着重从谱段进行研究的论文和方法：
- Convolutional neural networks for hyperspectral image classification：提出一个CNN架构，使用1x1的卷积和增强的dropout，实现缓解过拟合以及提高泛化性；此外还使用了一个全局池化层，来减少参数量。
- Joint alternate small convolution and feature reuse for hyperspectral image classification：旨在解决HSI不同带宽之间的高相关性，提出一个CNN架构，将\(1D\)的频谱信息转换成\(2D\)的特征矩阵形式，并且拼接包含1x1卷积和3x3卷积的不同层，实现将特征信息完全利用；此外，本文也使用了全局平均池化操作。
- Convolutional Recurrent Neural Networks for Hyperspectral Data Classification：提出一种混合模型用来HSI进行分类任务，首先使用部分卷积层来踢去位置不变中间层特征，然后使用递归层来提取特点谱段上下文细节。
- Classifying Wheat Hyperspectral Pixels of Healthy Heads and Fusarium Head Blight Disease Using a Deep Neural Network in the Wild Field：同样适用一个混合架构，用来分类健康和病态小麦头部。针对输入层，这个架构将光谱信息转化成\(2D\)的数据结构。
- Variety Identification of Single Rice Seed Using Hyperspectral Imaging Combined with Convolutional Neural Network：本文提出的CNN对比SVM和KNN相比更加有效，针对使用光谱信息进行大米种子分类识别任务。
- Discrimination of Chrysanthemum Varieties Using Hyperspectral Imaging Combined with a Deep Convolutional Neural Network：本文使用谱段信息，进行PCA降维，然后使用前5个PC值进行菊花的分类。
- Dimensionally Reduced Features for Hyperspectral Image Classification Using Deep Learning：使用另一种降维方法：DMD，将\(3D\)的HSI数据转换为\(2D\)的数据，然后输入到向量化的CNN模型中。
B.空间CNN框架用于HSI分类任务
空间CNN模型仅仅考虑空间信息，并且从HSI数据中提取空间信息，但是在谱段域使用降维方法。
- Classification of Hyperspectral Imagery Using a New Fully Convolutional Neural Network：论文中，使用PCA降维，使用第一个PC值来提炼空间信息，并将这些数据输入到全卷积框架来进行分类。
- Convolutional Neural Networks Based Hyperspectral Image Classification Method with Adaptive Kernels：提出一种方法，从\(2D\)图像数据中切割图像块（也就是从不同谱段进行切割图像），来训练一个CNN模型。
C.谱段--空间结合CNN框架用于HSI分类任务
谱段空间像素级HSI分类任务可以通过将空间特征结合进谱段信息中完成。