A NEW HYPERSPECTRAL BAND SELECTION APPROACH BASED ON CONVOLUTIONAL NEURAL NETWORK
文章地址：
写在前面：各位朋友好，这是本人第一篇博客，为了不打击自己，决定从一篇易懂的paper的阅读笔记开始写起，写的不好不对的地方望各位朋友不吝赐教，在此先行谢过。另外后面后面打算写一写一些文章的阅读笔记、一些研究方向例如特征选择、目标检测等研究现状、还有就是下学期开学后，打算写一下传统机器学习算法、一些经典算法设计分析还有就是搜罗一些岗位笔试题吧。再有就是看一些好的程序或者源码，写一下注释和新学到的语句。。。。呀呀呀要学的还真是多啊。
1、文章简介：
这是一篇运用卷积神经网络CNN做高光谱波段选择的论文，摘要中称此文是第一篇把CNN用在波段选择的工作，另外据我个人理解这是一篇wrapper特征选择方式的工作。
① 流程简介：“在本文中，我们首先将CNN引入频段选择。 我们使用1D-CNN训练高光谱带标记数据来获得训练有素的模型，然后，我们使用该模型来测试各种波段组合。 在测试结果中，我们选择具有最高精度的波段作为选定波段，并验证我们的方法选择的波段对土地利用或土地覆盖分类的影响。”
② 主要贡献：“1、我们使用深度卷积神经网络更好地选择波段，是这个问题的第一个深度学习解决方案。 我们证明了深度学习在高光谱带选择困难的挑战中是有用的，这得益于深度CNN的高级特征提取能力。2、在频带组合测试阶段，我们使用频段零填充技术来解决测试频带数量少于训练频带的问题。”
2、方法简介：
左侧流程图画的挺清晰的：
以一个像素点的全波段作为输入，经过两组卷积核为30*（3*1或5*1）的1-D CNN、RELU激活函数和步长为k2的Max-Pooling，最终接一层全连接层，然后连接softmax分类层。
文中还计算了参数量，然而可惜的是，没有给出具体的卷积核还有pooling层的步长，近日里我会仿真此文章，需要交流的朋友可以联系我啊，邮箱：[email protected]。
右侧是算法流程：
1、在上述网络搭建好后，利用每个训练集像素的全波段训练整个网络。
2、假设我们选取m个波段（m<波段总数），就穷举所有可能的m个波段组合，记为BCn（n是所有可能集合数目）。
3、测试一种组合BCi的测试精度，具体做法是将测试数据中 所在的BCi波段集合中的波段保留原值，其余波段数值置零。
4、测试每一种组合的精度，选取精度最好的波段组合及其精度，作为数目为m的最优波段组合及精度。
3、实验结果和分析：
实验数据是最经典的Indian Pines高光谱数据，去除干扰波段剩余196，分类本该十六类，该文选取的是其中十类，如下图。 实验结果如下图。 选择波段示意如下图。
文中略微解释了一下实验结果：“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. （因为我们选择的波段主要用于土地覆盖/使用本身的分类，而不是关注物体之间的差异，所选择的波段需要代表土地覆盖/使用的特征。）”
个人认为本文将CNN结合波段是一点很大的创新，但是这种1-D CNN没有考虑空间特征，而且利用wrapper式的特征选择，尤其是这样没有约束，穷举式搜索特征集合效率会很低。个人拙见，不对的地方敬请批评。