纲要
高光谱遥感图象（HRSI）也许供给物体的额外光谱消息，在很多周围获患了普遍的运用。但是，由于HRSI采集区的繁杂处境，采集HRSI的标识模范既耗时又费劲。标识样本的稀缺性是HRSI剖析和办理的要紧窘迫之一。在这封信中，提议了一种用于HRSI的空间-光谱底细网络（SSPN），以办理缺乏标识模范的题目。这封信的孝敬有三个方面。首先，咱们计划了一种新的基于空间邻域联系的个别形式编码算法，将HRSI像素的空间和光谱消息分离起来。尔后，提议了一种基于一维卷积神经网络（1-D-CNN）的空间-光谱特点讨取算法，用于进修空间-光谱度量空间，在该空间中，仅需小量标识模范便可对HRSI像素举办切确分类。末了，提议了一种新的空间-光谱度量空间HRSI底细示意办法，以更好地对HRSI中存在的混杂像素举办分类。在三个时兴的HRSI数据集上的试验成果讲明，该SSPN算法显然优于保守算法。
1引言
高光谱遥感图象（HRSI）包罗了目方向空间和光谱消息，使图象办理加倍灵验和的确。HRSI分类[1]对于HRSI剖析和办理相当紧急。大普遍保守的HRSI分类算法基于手工特点[2]–[5]和保守分类器[6]、[7]。为了升高HRSI分类精度，采纳图般配[8]、[9]来摸索HRSI的布局消息。比年来，深度进修技能有了长足的进展。与手工特点比拟，卷积神经网络（CNN）讨取的特点具备更多的高档语义表白和更强的鲁棒性。CNN也被用于HRSI的分类。譬喻，Hu等人[10]提议了一种基于一维CNN的算法来讨取HRSI在光谱维度上的深层特点。别的，还为HRSI提议了基于2-D-CNN和3-D-CNN的网络[11][12]。今朝，HRSI分类中的要紧题目是不足标识模范。但是，现有的深度进修办法需求大批的标识模范举办锻炼。
做为一种非常范例的转移进修，“fiew-shot”进修[13]、[14]是从现罕见据中进修一个度量空间，它也许推行到惟独小量标识模范的新数据类。底细网络（prototypicnetwork，PN）做为基于小量模范进修算法的代表之一，具备简朴、高效的长处。原始PN[14]的要紧思惟是颠末打算度量空间中撑持点的均匀向量来赢得每个类的底细示意，尔后颠末底细和盘查点之间的间隔度量举办分类。但是，原始PN疏忽了空间和光谱消息的组合，没法办理HRSI中存在的混杂像素。因而，本文提议了一种合用于HRSI的空-谱PN（SSPN），它也许灵验地办理标识模范不够的题目，并在HRSI分类中赢得更好的本能
要紧孝敬归纳以下。首先，提议了一种个别形式编码来讨取谱向量的空间邻域联系性。其次，提议了一种基于一维CNN的空间-光谱特点讨取算法，该算法在进修度量空间时也许灵验淘汰解放参数的数量。第三，为了办理HRSI中混杂像素的普遍散布，提议了一种基于空间-光谱度量空间的加权均匀HRSI底细示意办法，以升高“fiew-shot”分类精度。
2空间光谱底细网络
在本节中，将详细讲解所提议的SSPN。SSPN的框架要紧由三部份构成，如图1所示。首先，采纳个别形式编码，将个别谱向量更动为空间谱向量;尔后，咱们行使包罗4个基于1-D-CNN卷积块的空间-光谱特点讨取算法，充足行使空间-光谱向量的特点。末了，咱们在空间-光谱度量空间中赢得空-谱底细，并颠末打算到每个范例底细的间隔来履行HRSI分类。在锻炼历程中，依据间隔度量成果，采纳Softmax革新卷积块的参数。
A基于空间邻域联系的HRSI个别形式编码
在保守的基于CNN的HRSI算法中，时常将像素的光谱向量或瓜分成单个频带的HRSI做为网络的输入，这致使了HRSI中空间和光谱消息的离开。依据文件[15]中提到的思惟，将高档语义和空间特点紧缩到纯真形向量中，完结特采集成。受此启示，咱们计划了一种基于空间邻域联系的个别形式编码算法，将空间域和光谱域的消息分离起来。将U界说为以像素sc为核心的个别邻域中P（P1）个相邻像素的光谱呼应团结散布，也许示意为:
个中，u（·）示意光谱呼应团结几率散布函数，specc是核心像素sc的光谱向量，specp示意相邻像素sp的光谱向量（0≤p≤P?1）。为了完结空间和光谱消息的组合，咱们首先打算相邻像素和核心像素之间的空间联系性，而不丧食言息，因而（1）也许誊写以下：
L是specp和specc的长度，specpk和specck示意specp和specc在第k波段的光谱呼应值。尔后，假定specc自力于δ（specp，specc），（2）也许分解为
由于要紧消息包罗在团结空间联系散布中[2]，（4）也许简化以下：
为了避免光谱消息的丧失，将每个δ（specp，specc）乘以specp，尔后将U更动为空间-光谱向量SSvector，该向量灵验地分离了以sc为核心的个别邻域中的空间和光谱特点，以下所示：
如（6）所示，采纳均匀值办法来下降打算繁杂度。因而，SSvector被用做卷积块的输入，卷积块的长度与像素的光谱向量类似。
B基于一维CNN的HRSI空间-光谱特点讨取
如前所述，请仔细，SSvector灵验地集成收场部邻域的空间和光谱消息。因而，为了进一步从空间谱域中讨取SSvector的特点，并在较少的锻炼参数下进修度量空间，咱们提议了一种基于一维CNN的HRSI空间谱特点讨取算法。设n层为卷积层，SSvector的一维卷积层公式可示意为:
个中，SSVECTRALnj是第n层的第j个因素图，SSVECTRALn-1i是第n-1层的第i个因素图，β为n-1层特点图的个数.?是一维卷积算子，knij示意n层的一维卷积核，bnj示意n层的偏置参数，f(·)示意非线性激活函数。为了避免太过拟合形势并升高含蓄速率，采纳订正线性单位（ReLU）做为非线性激活函数，其界说以下：
假定n+1层是池层，那末SSvector的1-D池示意为:
个中σ(·)示意下采样函数。假定SSvector的巨细为H×1，而且1-D卷积核为h×1，因而由一维卷积层赢得的SSvector特点映照的巨细为（h?h+1）×1。设s为池因子，颠末卷积和池化后，SSvector的特点映照巨细变成（H?h+1）/s×1。咱们的办法采纳了最大池。如图1所示，基于一维CNN的空间-光谱特点讨取算法要紧包含四个块。每个块包含一个32滤波器3×1卷积层、一个批量归一化层、ReLU非线性和一个2×1maxpooling层。除了批量楷模化除外，没有操纵任何正则化。换言之，咱们计划的算法操纵较少的解放参数举办锻炼，而且也许高效地进修空间-光谱度量空间。
C、空间-谱度量空间中HRSI的底细示意
在个别形式编码和空间谱特点讨取以后，将HRSI像素的谱向量嵌入到基于个别空间谱邻域的非线性度量空间中。设φ为空间-谱度量空间的非线性映照参数，D示意原始谱向量的长度，M示意特点向量在空间-谱度量空间中的长度，因而度量空间的嵌入函数也许示意为fφ：RD→RM。
咱们提议的办法遭到了原始PN的启示。但是，原始PN的底细示意不合用于HRSI。由于空间分辩率较低，HRSI中包罗大批混杂像素。混杂像素的光谱向量应当是可离开的，这象征着一个混杂像素也许属于多个范例。因而，为了斟酌混杂像素，咱们提议了一种新的基于空间-光谱度量空间中加权均匀法的HRSI底细示意办法。咱们假定Sk示意用k类标识的N个模范的撑持集，以下所示：
个中xi是D维谱向量，yi是呼应的标签。接下来，咱们颠末嵌入函数和均值办法打算原始底细，以下所示：
为了升高混杂像素的分类精度，赢得更硬朗的底细，咱们采纳加权均匀法优化底细的求解历程。设fk(xi)示意xi相对于k类的权重值，因而空间-光谱底细c′k给出以下:
个中，权重值fk(xi)由fφ(xi)和ck之间的欧氏间隔界说。在具备映照参数φ的空间谱度量空间中，咱们完结了盘查模范与每个类的空间谱底细之间的间隔度量。别的，采纳Softmax分类试验，以及在softmax回归中像素x被分类为k类的几率可公式以下：
个中d(.)示意间隔函数，exp(.)示意指数函数。颠末最小化负对数几率J(φ)举办进修，以下所示：
个中φ颠末SGD革新[7]。颠末空间-光谱底细的锻炼，咱们提议的办法也许更好地对HRIS混杂像素举办分类，并升高HRSI“fiew-shot”分类的本能
3试验
A试验数据集和配置
为了评价SSPN的本能，咱们在三个众人HRSI数据集赶上行了试验，包含印度松树数据集[16]、博茨瓦纳数据集[16]和帕维亚大学数据集[2]。印度松树数据集由×像素和个光谱反射带构成。博茨瓦纳数据集由14个已肯定类其它视察数据构成，国有个模范。帕维亚大学的数据集包罗×像素和个光谱带，九个范例代表各式地盘笼罩范例。
在这封信中，咱们提议的SSPN在锻炼期间操纵了最小数次[17]。颠末从锻炼集结随机抉择一个类子集，尔后在每个类中抉择一个示例子集做为撑持集，并抉择其它部份的子集做为盘查模范。
由于该办法属于转移进修，咱们在印度松树数据集上锻炼了咱们的模子，并在博茨瓦纳数据集和帕维亚大学数据集赶上行了测试。印度松树数据集分为两部份：12个锻炼类和4个考证类。因而，锻炼集由12范例构成，每范例有N个撑持模范，这些模范与测试时的“模范”数量相般配。咱们的模子颠末SGD和Adam举办锻炼，咱们操纵的初始进修率为10?3.别的，该办法采纳欧几里德间隔做为间隔度量。在测试历程中，咱们要紧对测试数据集举办three-shot分类和five-shot分类。详细而言，“模范”编号是指测试期间操纵的每类标签样本的数量。别的，咱们提议的SSPN与起先进的办法举办了对比，包含PN[14]、SVM[6]、SGD[7]和由四个完整相连的层构成的基线网络，离别为1-D-CNN[10]、2-D-CNN[11]和3-D-CNN[12]。
B、试验成果与剖析
首先，对咱们提议的SSPN中操纵的参数举办了磨炼。为了举办剖析，将相邻像素P的数量配置为0、4、8、12、16、20和24.博茨瓦纳数据集不同相邻像素数的SSPN的整体精度如表一所示。也许看出，跟着P的增多，分类精度在海浪中增多。但是，当P为16时，分类精度将饱和，尔后在峰值后下降。因而，在随后的试验中，P稳定配置为16。
其次，在两个HRSI数据集上对八种办法的本能举办了可视化和定量钻研。图2显示了博茨瓦纳数据集上的分类图，操纵了八种不同的办法，每个范例有五个标识模范。也许直觉地得出论断，在SGD和2-D-CNN的映照图上，分派给过错类的盘查模范显然多于其它办法，SSPN的映照图与大地真值图最为一致，这讲明SSPN优于其它办法。
咱们对博茨瓦纳数据集举办了three-shot分类和five-shot分类，以对比SSPN与SVM、SGD、基线、1-D-CNN、2-D-CNN、3-D-CNN和PN。表二列出了不同办法的详细分类成果。也许看出，疏忽光谱消息的SGD和2-D-CNN都不合适HRSI少炮分类。比拟之下，SVM、基线、1-D-CNN、3-D-CNN、PN和SSPN在标识模范较少的环境下呈现出卓越的本能。非常是，咱们提议的SSPN充足行使了HRSI的空间-光谱个性，到达了最高的精度。对比three-shot分类和five-shot分类的分类成果，也许发觉基于SGD、PN和CNN的办法对标识模范的数量更敏锐。相悖，在举办HRSI“fiew-shot”分类时，咱们操纵空间-光谱底细举办的SSPN锻炼对标识模范的变动更具鲁棒性。
对于帕维亚大学数据集，图3示出了八种不同办法在帕维亚大学数据集上猜测的分类图，每个类有五个标识模范。从图3也许看出，SSPN图比其它办法更合适大地真值图，这进一步讲了然其在HRSI“fiew-shot”分类中的上风。
一样，操纵八种不同的办法对帕维亚大学的数据集举办three-shot分类和five-shot分类。如表III所示，咱们提议的SSPN的three-shot分类和five-shot分类精度离别为56.18%和57.89%，而SVM、SGD、Baseline、1-D-CNN、2-D-CNN、3-D-CNN和PN的three-shot分类和five-shot分类精度离别为50.12%和49.62%、31.93%和30.19%、54.38%和55.84%、52.97%和55.55%、32.50%和36.52%、54.71%和57.85%，以及53.30%和54.56%，离别地一样的论断是，SGD和2-D-CNN的的确度比其它办法下降了近20%。别的，SVM、基线、1-D-CNN、3-D-CNN、PN和SSPN依然获患了有合意的成果。别的，咱们的SSPN赢得的分类成果优于其它办法赢得的分类成果。总之，SSPN在HRSI“fiew-shot”分类中的本能比其它办法更的确和鲁棒，这考证了咱们提议的办法的灵验性。
4论断
在这封信中，提议了一种基于“shot”进修的办法，称为SSPN，用于HRSI。该办法首先完结了基于空间邻域联系的HRSI像素个别形式编码算法，生成空间谱向量，做为后续特点讨取的原形。尔后，行使咱们提议的基于一维CNN的算法进一步讨取空间谱向量的特点消息，这也为空间谱度量空间的进修供给了更高的效率。
末了，针对HRSI中存在的大批混杂像素，颠末空间-光谱度量空间中的权重优化，获患了具备强分辩力的空间-光谱底细。别的，咱们在印度松树数据集上锻炼咱们的模子，并在博茨瓦纳数据集和帕维亚大学数据集上对其举办测试，以举办HRSI“fiew-shot”分类。试验成果讲明，SSPN的分类精度高于保守HRSI分类器和原始PN，进一步表明SSPN也许灵验地将“fiew-shot”进修运用于HRSI。在他日的处事中，咱们将试验分离图般配来找到HRSI“fiew-shot”分类中源数据集和目的数据集之间的对应相干[8]。
论文猎取链接：
转载请注明：http://www.0431gb208.com/sjsbszl/1124.html
