IEEE TGRS 2021：基于形态卷积神经网络的高光谱影像分类
题目
Morphological Convolutional Neural Networks for Hyperspectral Image Classification
作者
Swalpa Kumar Roy; Ranjan Mondal; Mercedes E. Paoletti; Juan M. Haut; Antonio Plaza
关键词
Classification, convolutional neural networks (CNNs), deep learning (DL), hyperspectral images (HSIs), latent feature space transfer, morphological transformations.
研究动机
在卷积中嵌入形态学运算实现对非线性特征的提取
模型
卷积神经网络在遥感数据处理中得到了广泛的应用。卷积运算是一种线性运算，它从输入数据中提取特征。然而，非线性运算能够更好地刻画复杂遥感数据(如高光谱图像)中的内在关系和隐藏模式。形态运算是一种强大的非线性变换，用于特征提取，保留了图像的基本特征，如边界、形状和结构信息。本文介绍了一种新的图像特征提取方法，并对其进行了实验验证提出了一种新的端到端形态深度学习框架(简称MOR-phConvHyperNet)。该方法在HSI分类的训练过程中有效地对非线性信息进行建模。具体地，我们的方法包括从HSI输入数据中提取相关特征的频谱和空间形态块。这些形态块在各自的层中包含两个基本的二维形态算子(侵蚀和分割)，然后是特征图的加权组合。这两层都能成功地编码与形状和大小有关的非线性信息，对分类性能起到重要作用。实验结果表明，该方法是有效的在五个广泛使用的HSI上获得的结果表明，我们新提出的MorphConvHyperNet在HSI分类中提供了与传统的2-D和3-D CNN相当(甚至更好)的性能。
亮点
非线性形态运算取代了传统的线性卷积运算，能够以较不复杂的结构从原始遥感数据中提取更好的光谱和空间上下文信息。
论文以及代码
论文链接: link
代码链接: link
拓展阅读
一个使用形态学特征提取的高光谱目标检测算法：Global to Local: A Hierarchical Detection Algorithm for Hyperspectral Image Target Detection
论文链接: link
代码链接: link
