tensorflow遥感图像分类_Conv-Capsule——胶囊网络用于高光谱图像分类

来源：Remote Sensing 2019
原文：Deep Convolutional Capsule Network for Hyperspectral Image Spectral and Spectral-Spatial Classification
论文题目：Deep Convolutional Capsule Network for Hyperspectral Image Spectral and Spectral-SpatialClassification

Introduction

高光谱图像分类在城市发展、土地变化监测、场景解释、资源管理等众多应用来说是至关重要的。因此高光谱图像分类是遥感界研究的热点之一。然而当前高光谱图像分类仍然具有巨大挑战：a.高维性，b.有限的训练样本，c.复杂的成像环境。

由于复杂的大气条件、邻近目标的散射、类内变化以及太阳光强度的变化，从高光谱图像中提取不变的、鲁棒的特征十分重要。近年来很多分类模型在高光谱图像分类i中取得了出色的表现，特别是深度学习模型。但是深度学习模型也有很大的缺陷，①深度模型需要大量的训练样本来可靠地训练网络中的大量参数。②遥感图像分类中训练样本不足。但是2017年一种基于胶囊的新思路，在处理有限的训练样本方面显示了较大的优势。此外，特征的精确位置关系也能够较好地保留。在特征提取阶段保持精确的位置关系是非常重要的。而且胶囊网络使用向量（矢量）来表示特征，向量相比标量而言具有更出色的效果。总的来说本文的贡献如下：

（1）提出了一种改进的胶囊网络（Conv-Capsule）。Conv-Capsule使用局部连接和转换矩阵共享，减少了可训练参数的数量，减轻了分类中的过拟合问题。

（2）提出了两种基于胶囊网络的高光谱分类框架：1D-Capsule和3D-Capsule。

（3）为了进一步提高HSI的分类性能，提出了两种框架，即1D-Conv-Capsule和3D-Conv-Capsule。

（4）在训练样本数量有限的情况下，对三个已知的高光谱数据集进行分类测试。

Method

One-Dimensional Deep Capsule Network as a Spectral Classifier：如图1所示第一层是输入层输入逐个像素的n个主成分，第二层和第三层时普通的卷积层（用于获取非线性的特征图），第四层是第一个胶囊层（胶囊层每个通道会输出多个特征图，而不是一个特征图，特征图数量由每个胶囊的神经单元个数决定），第五层是1D Conv-Capsule（在胶囊层的基础上使用局部连接和转换矩阵共享）层，最后是全连接胶囊层（Dynamic Routing Algorithm——DRA）。DRA算法的迭代过程跟K-means有点相似，如下图。一维胶囊网络只使用光谱信息。

图1 1D-Conv-Capsule network

Three-Dimensional Deep Capsule Network as a Spectral-Spatial Classifier：如图3所示，首先使用EMAP（Extended Multi-Attributes Profile）算法进行降维，3D-Conv-Capsule network的结构跟1D-Conv-Capsule network很相似。

图2 3D-Conv-Capsule network

Experimental

图3 1D-Conv-Capsule network的网络结构

图4 3D-Conv-Capsule network的网络结构

图3和图4详细介绍了1D和3D网络的具体参数。实验部分作者做了非常详细的对比实验，包括PCA和EMAP的参数，不同数量的训练样本以及卷神经网络和各项参数。而且通过准确率可以发现在光谱-空间信息的支持下，分类器能够获得更加出色的表现。

图5 光谱信息下各种方法的实验结果

图6 光谱-空间信息下各种方法的实验结果