1

研究背景：

• 深度學(xué)習(xí) (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(duì)地球觀測(cè) (EO) 儀器收集的遙感數(shù)據(jù)進(jìn)行分類。

• 高光譜成像 (HSI) 是遙感數(shù)據(jù)分析中的一個(gè)熱門話題，因?yàn)檫@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(duì)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(huì)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(biāo)：

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

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

• 對(duì)應(yīng)用 DL 技術(shù)進(jìn)行 HSI 分類未來的挑戰(zhàn)進(jìn)行一些評(píng)論和提示。

研究方法：

• 本文對(duì)文獻(xiàn)中使用最廣泛的基于 DL 的 HSI 分類器進(jìn)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(jìn)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(duì) training samples 的 high requirement

• 對(duì)模型解釋性的需求

• 對(duì)計(jì)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(shí)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(shí)現(xiàn)最大池化，則深色單元將表示體積中每個(gè)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(gè)地區(qū)的價(jià)值

綁定自動(dòng)編碼器的傳統(tǒng)表示，由兩個(gè)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(qiáng)化模型的學(xué)習(xí)過程。

 密集塊的圖形可視化。

最具代表性的深度學(xué)習(xí)框架存儲(chǔ)庫的星星和分支。淺藍(lán)色和紅色條指的是 2018 年 7 月 16 日測(cè)量的星和叉的數(shù)量，而深藍(lán)色和紅色條對(duì)應(yīng)的是 2019 年 9 月 8 日測(cè)量的星和叉的數(shù)量

每個(gè)考慮的分類器在 IP、UP、SV 數(shù)據(jù)集上具有不同訓(xùn)練百分比（x 軸）的OA演化（y 軸）。每個(gè)圖周圍還顯示了標(biāo)準(zhǔn)差。

包含 15% 訓(xùn)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(duì)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(hào)中。

包含 10% 訓(xùn)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(duì)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(hào)中。

包含 10% 訓(xùn)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(duì)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(hào)中。

UH 數(shù)據(jù)集的分類圖。從(a)到(j)的圖像提供了對(duì)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(hào)中。

每個(gè)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(xùn)練百分比（x 軸）的 OA 演化（y 軸）。標(biāo)準(zhǔn)偏差顯示為陰影區(qū)域。

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

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

總結(jié)：深度學(xué)習(xí) (DL) 在高光譜圖像 (HSI) 分類中取得了重大進(jìn)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(duì)訓(xùn)練樣本的需求、模型解釋性和計(jì)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(duì)訓(xùn)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(jì)算資源需求。推薦指數(shù)：????