A NEW HYPERSPECTRAL BAND SELECTION APPROACH BASED ON CONVOLUTIONAL NEURAL NETWORK

文章地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8127792

寫在前面：各位朋友好，這是本人第一篇博客，為了不打擊自己，決定從一篇易懂的paper的閱讀筆記開始寫起，寫的不好不對的地方望各位朋友不吝賜教，在此先行謝過。

1、文章簡介：

這是一篇運用卷積神經網絡CNN做高光譜波段選擇的論文，摘要中稱此文是第一篇把CNN用在波段選擇的工作，另外據我個人理解這是一篇wrapper特征選擇方式的工作。

① 流程簡介：“在本文中，我們首先將CNN引入頻段選擇。 我們使用1D-CNN訓練高光譜帶標記數據來獲得訓練有素的模型，然後，我們使用該模型來測試各種波段組合。 在測試結果中，我們選擇具有最高精度的波段作為選定波段，並驗證我們的方法選擇的波段對土地利用或土地覆蓋分類的影響。”

② 主要貢獻：“1、我們使用深度卷積神經網絡更好地選擇波段，是這個問題的第一個深度學習解決方案。 我們證明了深度學習在高光譜帶選擇困難的挑戰中是有用的，這得益於深度CNN的高級特征提取能力。2、在頻帶組合測試階段，我們使用頻段零填充技術來解決測試頻帶數量少於訓練頻帶的問題。”

2、方法簡介：

左側流程圖畫的挺清晰的：

以一個像素點的全波段作為輸入，經過兩組卷積核為30*（3*1或5*1）的1-D CNN、RELU激活函數和步長為k2的Max-Pooling，最終接一層全連接層，然後連接softmax分類層。

文中還計算了參數量，然而可惜的是，沒有給出具體的卷積核還有pooling層的步長，近日裏我會仿真此文章，需要交流的朋友可以聯系我啊，郵箱：[email protected]。

右側是算法流程：

1、在上述網絡搭建好後，利用每個訓練集像素的全波段訓練整個網絡。

2、假設我們選取m個波段（m<波段總數），就窮舉所有可能的m個波段組合，記為BCn（n是所有可能集合數目）。

3、測試一種組合BCi的測試精度，具體做法是將測試數據中 所在的BCi波段集合中的波段保留原值，其余波段數值置零。

4、測試每一種組合的精度，選取精度最好的波段組合及其精度，作為數目為m的最優波段組合及精度。

3、實驗結果和分析：

實驗數據是最經典的Indian Pines高光譜數據，去除幹擾波段剩余196，分類本該十六類，該文選取的是其中十類，如下圖。

實驗結果如下圖。

選擇波段示意如下圖。

文中略微解釋了一下實驗結果：“Because the bands we selected are mainly used for the classification of the land cover/use itself, and not focus on the differences between objects, the bands selected need to represent the features of the land cover/use. （因為我們選擇的波段主要用於土地覆蓋/使用本身的分類，而不是關註物體之間的差異，所選擇的波段需要代表土地覆蓋/使用的特征。）”

個人認為本文將CNN結合波段是一點很大的創新，但是這種1-D CNN沒有考慮空間特征，而且利用wrapper式的特征選擇，尤其是這樣沒有約束，窮舉式搜索特征集合效率會很低。個人拙見，不對的地方敬請批評。

A NEW HYPERSPECTRAL BAND SELECTION APPROACH BASED ON CONVOLUTIONAL NEURAL NETWORK文章筆記