赛斯拜克中国核心技术品牌 博士专业研发团队   18年专注高光谱

咨询热线:400-888-5135

高光谱图像深度学习分类:智慧农业的科技革命

来源:赛斯拜克 发表时间:2023-09-21 浏览量:387 作者:

随着科技的不断发展,高光谱图像深度学习分类技术正在逐渐成为智慧农业领域的一项重要技术。高光谱图像是指在不同光谱带下获取的图像,这些图像可以提供大量有关物体的详细信息。而深度学习则是机器学习的一种,利用人工神经网络对大量数据进行学习,以识别和分类不同的物体。

11695282005292952.png

图文摘要


研究背景:

  • 深度学习 (DL) 技术在许多应用中取得了令人瞩目的成果。

  • DL 方法已成功用于对地球观测 (EO) 仪器收集的遥感数据进行分类。

  • 高光谱成像 (HSI) 是遥感数据分析中的一个热门话题,因为这种图像包含大量信息,可以结合丰富的 spectral 和 spatial 信息来更好地表征和利用地表。

  • 然而,HSI 对监督分类提出了重大挑战,包括数据的 high dimensionality 和 training samples 的有限可用性。这些问题,加上 HSI 数据中经常存在的 high intraclass variability 和 interclass similarity,可能会降低分类器的有效性。

  • 为了解决这些局限性,最近开发了多种基于 DL 的架构,在 HSI 数据解释方面表现出巨大潜力

研究目标:

  • 全面回顾 HSI 分类 DL 领域的最新进展,分析文献中使用最广泛的分类器的优缺点。

  • 使用几种 well-known 和 widely used HSI 场景对每种讨论的方法进行定量评估,从而对所讨论的技术进行详尽比较。

  • 对应用 DL 技术进行 HSI 分类未来的挑战进行一些评论和提示。

研究方法:

  • 本文对文献中使用最广泛的基于 DL 的 HSI 分类器进行了回顾和分析,包括:

    • 卷积神经网络 (CNN)

    • 图神经网络 (GNN)

    • Transformer

    • CapsuleNets

主要发现:

  • CNN 是 HSI 分类中最常用的 DL 架构,并且已被证明在各种 HSI 数据集上取得了最先进的结果。

  • GNN 和 Transformer 等新兴 DL 架构最近也用于 HSI 分类,并取得了有 promising results。

  • 然而,基于 DL 的 HSI 分类器仍然存在一些挑战,例如:

    • 对 training samples 的 high requirement

    • 对模型解释性的需求

    • 对计算资源的需求

image.png

 DNN模型的传统全连接(左)和卷积架构(右)之间的比较

image.png

从 2D 角度(左)和 3D 角度(右)看 CONV 层的图形可视化。

image.png

DNN模型中实现的不同激活函数的图形可视化

image.png

从 2D 角度看 POOL 层的图形可视化。深色单元表示从池化操作中选择的值(例如,如果已实现最大池化,则深色单元将表示体积中每个区域的较高值),尽管最终值也可以作为平均值或总和获得整个地区的价值

image.png

绑定自动编码器的传统表示,由两个主要部分组成:编码器和解码器,通过瓶颈层链接。

image.png

 RNN模型的架构: LSTM循环单元和 GRU内部架构的比较。

image.png

 CNN1D、CNN2D 和 CNN3D 架构(从上到下)采用的谱、空间和谱空间卷积模型的传统架构。

image.png

残差单元的图形可视化。该架构通过重用以前的信息来强化模型的学习过程。

image.png

 密集块的图形可视化。

image.png

最具代表性的深度学习框架存储库的星星和分支。浅蓝色和红色条指的是 2018 年 7 月 16 日测量的星和叉的数量,而深蓝色和红色条对应的是 2019 年 9 月 8 日测量的星和叉的数量

image.png

每个考虑的分类器在 IP、UP、SV 数据集上具有不同训练百分比(x 轴)的OA演化(y 轴)。每个图周围还显示了标准差。

image.png

包含 15% 训练数据的 IP 数据集的分类图。从(a)到(j)的图像提供了对应于表6的分类图。相应的总体分类精度(OA)显示在括号中。

image.png

image.png

包含 10% 训练数据的 UP 数据集的分类图。从(a)到(j)的图像提供了对应于表7的分类图。相应的总体分类精度(OA)显示在括号中。

image.png

包含 10% 训练数据的 SV 数据集的分类图。从(a)到(j)的图像提供了对应于表8的分类图。相应的总体分类精度(OA)显示在括号中。

image.png

UH 数据集的分类图。从(a)到(j)的图像提供了对应于表9的分类图。相应的总体分类精度(OA)显示在括号中。

image.png

每个考虑的基于 TL 的分类器在 IP、UP 和 SV 数据集上具有不同训练百分比(x 轴)的 OA 演化(y 轴)。标准偏差显示为阴影区域。

image.png

考虑到每类样本数量相同,随机选择方法与 IP 数据集上空间不相交样本的选择进行比较。

image.png

考虑到每类样本数量相同,随机选择方法与 UP 场景上空间不相交样本的选择进行比较。

总结:深度学习 (DL) 在高光谱图像 (HSI) 分类中取得了重大进展,CNN 架构是其中最有效的方法。然而,DL 方法仍然面临一些挑战,包括对训练样本的需求、模型解释性和计算资源需求。未来的研究方向包括:开发更有效的 DL 架构、降低对训练样本的需求、开发更易于解释的 DL 模型和降低 DL 模型的计算资源需求。推荐指数:⭐⭐⭐⭐ 

相关产品

高光谱相机技术排行榜top10

高光谱相机技术相关推荐