论文：CSA-MSO3DCNN: Multiscale Octave 3D CNN with Channel and Spatial Attention for Hyperspectral Image Classification
1. Motivation
提出问题：由于高光谱图像存在空间信息冗余的情况，所以在用3D-CNN处理高光谱图像分类问题时会带来大量的参数。
如何解决：作者引入OctConv替代传统的卷积，能够有效减少空间冗余和增大感受野。
关于OctConv
2. Model Structure
-
Octave Convoltion
总体结构和OctConv原文相同，不同之处在上图红框。对于一个三层的OctConv，原文的最后一层是将低频信息转换为高频信息，然后和更新后的高频信息汇总输出；本文中是将高频信息转换为低频信息，和更新后的低频信息汇总输出。个人认为作者的目的是得到尺寸更小的feature map，从而进一步减少参数和增大感受野。 -
Channel and Spatial Attention
又是熟悉的attention !!! 关于注意力机制就不多说了，之前的一篇博文已经总结了：https://blog.csdn.net/zxdd2018/article/details/104325588 -
总体结构
3. Datasets
- Indian Pines
- Pavia University
- Grss_dfc_2013（NSF-funded Center for Airborne Laser Map- ping (NCALM)）
- Grss_dfc_2014（ 2014 IEEE GRSS Data Fusion Contest）
数据集划分方式：不按百分比，每类选取相同数量
4. Parameters
- ratio（OctConv）： 0 ~ 1
- patchsize：14×14 18×18 22×22 26×26 30×30
- dropout：0.2 0.4 0.5 0.6 0.8
- training sample
总结
论文主要创新点：引入OctConv代替普通卷积
