【定义】
高光谱影像：高光谱影像是收集及处理整个跨电磁波谱的信息，一般是遥感等技术探测出具有大量肉眼不可见信息的图片
胶囊网络：
传统的CNNs对高光谱图像（HSI）分类问题有很好的效果，但是传统的CNNs对于找到空间-光谱间特征的联系领域上面存在障碍。(光谱-空间特征的联系是解决远景HSI 高等级复杂度的关键)
之前的解决办法是使用大量的信息数据调试参数。
我们建立一个基于 光谱-空间 胶囊网络的 新CNN结构来降低寻找参数的复杂度
我们定义一个CNN模型将胶囊单元（capsule unit）改变为空间-光谱单元（s-s），专用于分类远处的HSI数据
这个模型由以下几个模块组成
-
空间-光谱胶囊：能够通过考虑物理位置，空间特征的联系，他们可能的传输，找寻s-s特征
选用了5组数据和其他方法进行比较
主要目的：对遥感光谱信息的整理，比如电子微观科学等
主要解决问题所在
-
数据的高复杂度
-
训练数据量的限制
导致的问题
-
传感器所具有的信息过多，并且存在不可避免的扰动，限制了行为
-
训练集的标记的可利用性被限制，（没太读明白）
使用三维向量作为计算方法
卷积神经网络能够筛选出低级的特征，然后进一步得到更高级的特征
但即使这样，不同位置之间的关系的获得还是受限，
拥有共用层和空间大小逐渐减小，中间的数据表明在下层和上层特征之间存在联系
共用操作基于低层例子特征空间的大小，不可避免的丢失重要的位置信息
无法适应微小改变，无法得到两个物体之间的关系
前面的一些改进方法：
-
使用深度网络，虽然能够改善，但是需要大量正确匹配的数据
残差网络和Dense网络都尝试各自解决这个问题
-
残差网络：使用processing block 作为基础模块使他能够从已知的上层获得特征
-
Dense网络：定义一个在前面特征的映射 的结构
-
Caps网络：将数据之间的关系编码成表示可能性的向量
自此，我们想到一种新的基于CapsNets的CNN，实现高速HSI分类的同时显著的降低降低建立网络的时间复杂度
我们的模型能够，每个胶囊估计在HSIdata当中特定的S-s特征联系的可能性
除此之外，通过观察s-s之间的特征所经历的转化（通过respect彼此对应的地方）提供一系列对应的参数
最终这个网络能够在高阶抽象等级上，特征化HSI的输入数据，最终令我们能够降低回旋（反向传播？）的层数和继承模型的复杂度，令GPU能够更快的执行操作
文章各模块简述：
-
Ⅱ CNN的优点和局限
-
三 描述我们模型的方法
-
四 和其他方法的比较
-
五 一些注意事项和提示给未来的研究方向
-