HYPERSPECTRAL IMAGE CLASSIFICATION USING TWOCHANNEL DEEP CONVOLUTIONAL NEURAL NETWORK
论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7730324
1、文章简介：
该论文是用双通道卷积神经网络CNN分别提取空谱信息，然后将得到的抽象特征级联为全连接层的输入，以此作为空谱联合信息输入两层全连接层以及softmax层。此外，文中针对小样本问题，引入了迁移学习。
工作贡献：“与手工特征提取相比，所提出的深度模型可以自适应地学习光谱 - 空间联合特征，其包含来自光谱和空间域的语义和判别信息。 此外，学习的特征可以转移到不同的数据或任务[9]。 当训练样本有限时，可以从其他场景的模型转移底层和中层，只需要从有限的训练样本中训练前几层。 这样，即使在小的训练样本情况下，所提出的方法也可以很好地执行。”
2、算法简介：
3.1 从网络结构上说：
①文中首先构造了两个通道分别提取空谱特征：
Ⅰ、光谱通道：输入是一个以像素点为单位的一维数据，经过1-D cnn和1-D pooling堆叠处理，输出一个特征向量
。
Ⅱ、空间通道：以预测像素点为中心的空间邻域，沿光谱轴做平均，得到一个二维数据作为该通道输入，经过2-D cnn和2-D pooling堆叠处理，输出一个特征向量
。
（ps：文中说每个波段不可避免含有噪声，且“将噪声建模为具有零均值的高斯噪声”，沿光谱维取平均具有“融合所有波段的空间信息并抑制噪声”功能。）
②利用空谱联合特征进行预测标签：
将第①步中得到的两个特征向量级联，作为空谱联合特征，然后接两层全连接层，然后经过softmax层进行预测标签。
3.2 从训练上说：
“为了提高有限训练样本情况下的分类性能，我们使用来自其他遥感场景的标记样本训练网络，然后将底层和中层传输到当前场景的网络，并使用以下方法对顶部完全连接的层进行微调。 有限的标签样本。”
3、实验结果和分析：
对于Indian Pines高光谱数据：
其中training sample指的是每类选取的训练样本数，文中指出，万一某类的样本数不够，只要在此类中选取一半的样本数量去训练。
two-CNN就是使用上述网络结构，但不用迁移学习的算法。
two-CNN-transfer就是是用来网络结构还用迁移学习，其中迁移数据只训练底层和中层的权值，然后带上全连接层用真实数数据微调后测试。
“虽然Indian pines和Salinas Valley之间的土地覆盖类型存在巨大差异，但从萨利纳斯山谷学到的低水平和中等水平特征可以在印度松树上重复使用，因为低和中特征反映了当地的空间结构 ，这在不同的场景和任务中是通用的。 转移层为Indian pines上的双CNN训练提供了良好的初始化，并导致分类的改进。但是，随着训练样本数量的增加，深层模型可以从当前场景中学到足够的信息，学到的功能可能比迁移的功能更好，这可以解释当训练样本数为200时双CNN迁移学习的性能减少。”