一种具有多尺度卷积和多样化度量的CNN用于高光谱图像分类

摘要： 近期，研究人员已证实多层深度方法在提取高层特征及提升高光谱图像分类性能方面具有强大能力。然而传统深度模型的普遍问题是：由于训练样本数量有限（尤其针对类内方差大而类间方差小的图像），所学深度模型可能并非最优解。本文提出新型多尺度卷积神经网络（MS-CNNs），通过从高光谱图像中提取深层多尺度特征来解决该问题。此外，深度度量通常与MS-CNNs配合使用以增强高光谱图像的表征能力，但常规度量学习会使所学模型中的度量参数趋于相似——这种相似性会导致明显的模型冗余，从而对深度度量的描述能力产生负面影响。传统上可采用行列式点过程（DPP）先验来促使所学因子相互排斥以实现多样化。本文结合MS-CNNs与基于DPP的多样性促进深度度量优势，开发出具有多尺度卷积和多样化度量的CNN，以获取高光谱图像分类的判别性特征。通过在四个真实高光谱图像数据集上的实验，验证了所提方法的有效性与适用性。实验结果表明：相较于原始深度模型，本方法在不同高光谱图像数据集上（无论是光谱特征还是光谱-空间特征）均能取得相当甚至更优的分类性能。