Classification of Hyperspectral Imagery Using a New Fully Convolutional Neural Network 简要概述（未完工...）

Classification of Hyperspectral Imagery Using a New Fully Convolutional Neural Network

这篇文章重点在于首次将反卷积（转置卷积）运用在HSI图像上。复现论文的难点在于对HSI的预处理，即如何把图像块切成48X48的尺寸。

摘要
随着卷积神经网络(convolutional neural networks, CNNs)在计算机视觉领域的成功，CNN在高光谱分类领域受到了极大的关注。许多基于深度学习的算法都关注于深度特征提取以改进分类。本文提出了一种基于全CNN的高光谱分类深度学习框架。通过卷积、反褶积和汇聚层，增强了高光谱数据的深度特征。在特征增强后，利用优化的极值学习机(ELM)进行分类。该框架通过包含反褶积层和优化的ELM，优于现有的CNN等传统分类算法。实验结果表明，该方法能够获得较好的高光谱分类性能。
关键词-—Convolution, deconvolution, deep learning, extreme learning machine (ELM), feature enhancement, hyperspectral classification.

introduction
第一段介绍了高光谱的性能及应用，以及早期的高光谱处理方法（SVM,稀疏表达等）这里由稀疏表达引出特征提取与特征选择两种策略，而后再引出光谱-空间联合特征。
第二段主要介绍了深度神经网络，及像素分类方面使用的CNN。
第三段提出因缺少训练样本而导致过拟合现象，为了解决这一现象提出FEFCN模型。

提出模型