高光谱图像深度学习分类：智慧农业的科技革命

1

研究背景：

• 深度学习 (DL) 技术在许多应用中取得了令人瞩目的成果。

• DL 方法已成功用于对地球观测 (EO) 仪器收集的遥感数据进行分类。

• 高光谱成像 (HSI) 是遥感数据分析中的一个热门话题，因为这种图像包含大量信息，可以结合丰富的 spectral 和 spatial 信息来更好地表征和利用地表。

• 然而，HSI 对监督分类提出了重大挑战，包括数据的 high dimensionality 和 training samples 的有限可用性。这些问题，加上 HSI 数据中经常存在的 high intraclass variability 和 interclass similarity，可能会降低分类器的有效性。

• 为了解决这些局限性，最近开发了多种基于 DL 的架构，在 HSI 数据解释方面表现出巨大潜力

研究目标：

• 全面回顾 HSI 分类 DL 领域的最新进展，分析文献中使用最广泛的分类器的优缺点。

• 使用几种 well-known 和 widely used HSI 场景对每种讨论的方法进行定量评估，从而对所讨论的技术进行详尽比较。

• 对应用 DL 技术进行 HSI 分类未来的挑战进行一些评论和提示。

研究方法：

• 本文对文献中使用最广泛的基于 DL 的 HSI 分类器进行了回顾和分析，包括：

• 卷积神经网络 (CNN)

• 图神经网络 (GNN)

• Transformer

• CapsuleNets

主要发现：

• CNN 是 HSI 分类中最常用的 DL 架构，并且已被证明在各种 HSI 数据集上取得了最先进的结果。

• GNN 和 Transformer 等新兴 DL 架构最近也用于 HSI 分类，并取得了有 promising results。

• 然而，基于 DL 的 HSI 分类器仍然存在一些挑战，例如：

• 对 training samples 的 high requirement

• 对模型解释性的需求

• 对计算资源的需求

 DNN模型的传统全连接（左）和卷积架构（右）之间的比较。

从 2D 角度（左）和 3D 角度（右）看 CONV 层的图形可视化。

DNN模型中实现的不同激活函数的图形可视化

从 2D 角度看 POOL 层的图形可视化。深色单元表示从池化操作中选择的值（例如，如果已实现最大池化，则深色单元将表示体积中每个区域的较高值），尽管最终值也可以作为平均值或总和获得整个地区的价值

绑定自动编码器的传统表示，由两个主要部分组成：编码器和解码器，通过瓶颈层链接。

 RNN模型的架构： LSTM循环单元和 GRU内部架构的比较。

 CNN1D、CNN2D 和 CNN3D 架构（从上到下）采用的谱、空间和谱空间卷积模型的传统架构。

残差单元的图形可视化。该架构通过重用以前的信息来强化模型的学习过程。

 密集块的图形可视化。

最具代表性的深度学习框架存储库的星星和分支。浅蓝色和红色条指的是 2018 年 7 月 16 日测量的星和叉的数量，而深蓝色和红色条对应的是 2019 年 9 月 8 日测量的星和叉的数量

每个考虑的分类器在 IP、UP、SV 数据集上具有不同训练百分比（x 轴）的OA演化（y 轴）。每个图周围还显示了标准差。

包含 15% 训练数据的 IP 数据集的分类图。从(a)到(j)的图像提供了对应于表6的分类图。相应的总体分类精度（OA）显示在括号中。

包含 10% 训练数据的 UP 数据集的分类图。从(a)到(j)的图像提供了对应于表7的分类图。相应的总体分类精度（OA）显示在括号中。

包含 10% 训练数据的 SV 数据集的分类图。从(a)到(j)的图像提供了对应于表8的分类图。相应的总体分类精度（OA）显示在括号中。

UH 数据集的分类图。从(a)到(j)的图像提供了对应于表9的分类图。相应的总体分类精度（OA）显示在括号中。

每个考虑的基于 TL 的分类器在 IP、UP 和 SV 数据集上具有不同训练百分比（x 轴）的 OA 演化（y 轴）。标准偏差显示为阴影区域。

考虑到每类样本数量相同，随机选择方法与 IP 数据集上空间不相交样本的选择进行比较。

考虑到每类样本数量相同，随机选择方法与 UP 场景上空间不相交样本的选择进行比较。

总结：深度学习 (DL) 在高光谱图像 (HSI) 分类中取得了重大进展，CNN 架构是其中最有效的方法。然而，DL 方法仍然面临一些挑战，包括对训练样本的需求、模型解释性和计算资源需求。未来的研究方向包括：开发更有效的 DL 架构、降低对训练样本的需求、开发更易于解释的 DL 模型和降低 DL 模型的计算资源需求。推荐指数：⭐⭐⭐⭐