小样本高光谱遥感图像深度学习框架HSI-CNN：提升分类性能

本文主要探讨了小样本高光谱遥感图像深度学习方法的研究，针对高光谱遥感图像的特点，即光谱信息维度大且可用的标注训练样本有限，提出了一种称为HSI-CNN（High Spectral Imaging Convolutional Neural Network）的专用分类框架。HSI-CNN旨在减少模型参数数量，同时保持神经网络的有效深度，以应对小样本学习的挑战。 首先，文章强调了光谱冗余问题，为了解决这个问题，作者采用了主成分分析（Principal Component Analysis, PCA）方法。PCA有助于降低数据维度，通过分析光谱通道的贡献率，筛选出对图像分类关键的特征，从而去除不必要的光谱信息。这种方法提高了模型的泛化能力，使得在训练样本不足的情况下仍能有效提取和利用高光谱图像中的关键特征。 接着，文章详细介绍了HSI-CNN的设计，特别关注于全卷积神经网络（Fully Convolutional Networks, FCN）的构建。FCN结构对于处理高光谱遥感图像尤其有利，因为它可以保留空间信息，减少网络参数数量，进一步减轻小样本学习的压力。作者设计并实验了三种不同的HSI-CNN结构，对比分析了它们在小样本条件下的性能，以找到最优化的网络架构。 实验部分在两个常用的数据集，Pavia University和Salinas上进行，结果显示HSI-CNN在利用少量训练样本的情况下，能够有效地挖掘光谱特征，展现出良好的分类性能。这证明了HSI-CNN在小样本高光谱遥感图像分类任务中的有效性。 最后，文章引用了相应的中图分类号、文献标识码和文章编号，以及DOI（Digital Object Identifier），表明了这篇研究的学术定位和可追踪性。该研究为解决高光谱遥感图像的小样本学习问题提供了创新的深度学习解决方案，具有重要的理论和实践价值。