1

研究背景：

• 深度學習 (DL) 技術(shù)在許多應(yīng)用中取得了令人矚目的成果。

• DL 方法已成功用于對地球觀測 (EO) 儀器收集的遙感數(shù)據(jù)進行分類。

• 高光譜成像 (HSI) 是遙感數(shù)據(jù)分析中的一個熱門話題，因為這種圖像包含大量信息，可以結(jié)合豐富的 spectral 和 spatial 信息來更好地表征和利用地表。

• 然而，HSI 對監(jiān)督分類提出了重大挑戰(zhàn)，包括數(shù)據(jù)的 high dimensionality 和 training samples 的有限可用性。這些問題，加上 HSI 數(shù)據(jù)中經(jīng)常存在的 high intraclass variability 和 interclass similarity，可能會降低分類器的有效性。

• 為了解決這些局限性，最近開發(fā)了多種基于 DL 的架構(gòu)，在 HSI 數(shù)據(jù)解釋方面表現(xiàn)出巨大潛力

研究目標：

• 全面回顧 HSI 分類 DL 領(lǐng)域的最新進展，分析文獻中使用最廣泛的分類器的優(yōu)缺點。

• 使用幾種 well-known 和 widely used HSI 場景對每種討論的方法進行定量評估，從而對所討論的技術(shù)進行詳盡比較。

• 對應(yīng)用 DL 技術(shù)進行 HSI 分類未來的挑戰(zhàn)進行一些評論和提示。

研究方法：

• 本文對文獻中使用最廣泛的基于 DL 的 HSI 分類器進行了回顧和分析，包括：

• 卷積神經(jīng)網(wǎng)絡(luò) (CNN)

• 圖神經(jīng)網(wǎng)絡(luò) (GNN)

• Transformer

• CapsuleNets

主要發(fā)現(xiàn)：

• CNN 是 HSI 分類中最常用的 DL 架構(gòu)，并且已被證明在各種 HSI 數(shù)據(jù)集上取得了最先進的結(jié)果。

• GNN 和 Transformer 等新興 DL 架構(gòu)最近也用于 HSI 分類，并取得了有 promising results。

• 然而，基于 DL 的 HSI 分類器仍然存在一些挑戰(zhàn)，例如：

• 對 training samples 的 high requirement

• 對模型解釋性的需求

• 對計算資源的需求

 DNN模型的傳統(tǒng)全連接（左）和卷積架構(gòu)（右）之間的比較。

從 2D 角度（左）和 3D 角度（右）看 CONV 層的圖形可視化。

DNN模型中實現(xiàn)的不同激活函數(shù)的圖形可視化

從 2D 角度看 POOL 層的圖形可視化。深色單元表示從池化操作中選擇的值（例如，如果已實現(xiàn)最大池化，則深色單元將表示體積中每個區(qū)域的較高值），盡管最終值也可以作為平均值或總和獲得整個地區(qū)的價值

綁定自動編碼器的傳統(tǒng)表示，由兩個主要部分組成：編碼器和解碼器，通過瓶頸層鏈接。

 RNN模型的架構(gòu)： LSTM循環(huán)單元和 GRU內(nèi)部架構(gòu)的比較。

 CNN1D、CNN2D 和 CNN3D 架構(gòu)（從上到下）采用的譜、空間和譜空間卷積模型的傳統(tǒng)架構(gòu)。

殘差單元的圖形可視化。該架構(gòu)通過重用以前的信息來強化模型的學習過程。

 密集塊的圖形可視化。

最具代表性的深度學習框架存儲庫的星星和分支。淺藍色和紅色條指的是 2018 年 7 月 16 日測量的星和叉的數(shù)量，而深藍色和紅色條對應(yīng)的是 2019 年 9 月 8 日測量的星和叉的數(shù)量

每個考慮的分類器在 IP、UP、SV 數(shù)據(jù)集上具有不同訓練百分比（x 軸）的OA演化（y 軸）。每個圖周圍還顯示了標準差。

包含 15% 訓練數(shù)據(jù)的 IP 數(shù)據(jù)集的分類圖。從(a)到(j)的圖像提供了對應(yīng)于表6的分類圖。相應(yīng)的總體分類精度（OA）顯示在括號中。

包含 10% 訓練數(shù)據(jù)的 UP 數(shù)據(jù)集的分類圖。從(a)到(j)的圖像提供了對應(yīng)于表7的分類圖。相應(yīng)的總體分類精度（OA）顯示在括號中。

包含 10% 訓練數(shù)據(jù)的 SV 數(shù)據(jù)集的分類圖。從(a)到(j)的圖像提供了對應(yīng)于表8的分類圖。相應(yīng)的總體分類精度（OA）顯示在括號中。

UH 數(shù)據(jù)集的分類圖。從(a)到(j)的圖像提供了對應(yīng)于表9的分類圖。相應(yīng)的總體分類精度（OA）顯示在括號中。

每個考慮的基于 TL 的分類器在 IP、UP 和 SV 數(shù)據(jù)集上具有不同訓練百分比（x 軸）的 OA 演化（y 軸）。標準偏差顯示為陰影區(qū)域。

考慮到每類樣本數(shù)量相同，隨機選擇方法與 IP 數(shù)據(jù)集上空間不相交樣本的選擇進行比較。

考慮到每類樣本數(shù)量相同，隨機選擇方法與 UP 場景上空間不相交樣本的選擇進行比較。

總結(jié)：深度學習 (DL) 在高光譜圖像 (HSI) 分類中取得了重大進展，CNN 架構(gòu)是其中最有效的方法。然而，DL 方法仍然面臨一些挑戰(zhàn)，包括對訓練樣本的需求、模型解釋性和計算資源需求。未來的研究方向包括：開發(fā)更有效的 DL 架構(gòu)、降低對訓練樣本的需求、開發(fā)更易于解釋的 DL 模型和降低 DL 模型的計算資源需求。推薦指數(shù)：????