小样本高光谱影像分类：轻量化关系网络与深度学习策略

本文主要探讨了在小样本高光谱影像分类领域中，如何利用轻量化关系网络来应对数据的特性挑战。高光谱遥感影像因其数据维度高、波段间高度相关、光谱混合等问题，传统的分类方法如主成分分析（PCA）、线性判别分析（LDA）以及空间特征提取技术如扩展形态学剖面（EMP）、局部二值模式（LBP）等，虽然在一定程度上降低了复杂性，但往往依赖于复杂的参数调优，导致模型泛化性和鲁棒性受限。 近年来，深度学习技术，特别是卷积神经网络（CNN），如一维卷积神经网络、深度置信网络和循环神经网络，由于其自动特征提取的能力，显著提升了高光谱影像的分类性能。深度卷积神经网络（DCNN）及其改进版本，如2-DCNN、DR-CNN和DC-CNN等，能够有效地捕捉空间和光谱信息，进一步提高了分类精度。胶囊网络的应用也展示了联合空谱特征处理的优势，使得分类更为准确。 然而，小样本问题一直是高光谱影像分类的一大难题，因为高光谱数据的标注成本高昂且耗时。面对这一挑战，研究人员正在探索如何利用深度学习与其他先进的学习策略结合，如主动学习、半监督学习、元学习和迁移学习等。主动学习通过选择最有信息价值的样本进行标注，减少了标注需求；半监督学习利用未标记数据进行学习，降低对大量标记数据的依赖；元学习则通过学习学习过程本身，实现跨任务的知识迁移；迁移学习则是将预训练模型的知识迁移到新的任务中，加速模型收敛。 文献[18]至[21]的具体方法可能包括使用少量有监督样本指导无监督学习，或者在大规模未标记数据上训练基础模型，然后在小样本高光谱数据上微调模型参数。轻量化关系网络作为一种可能的解决方案，旨在设计结构紧凑、参数高效的网络，能够在小样本条件下依然保持较高的分类性能，减少计算资源消耗，提高模型的实用性。 本文的核心议题是通过设计和优化轻量化的关系网络，以适应小样本高光谱影像的特殊挑战，提升分类的效率和准确性，同时兼顾模型的可扩展性和在实际应用中的可行性。这将为高光谱遥感领域的数据处理提供一个有前景的研究方向。