S2CDELM: 光谱空间特定深度极限学习机提升超光谱图像分类效率

本文主要探讨了在监督超光谱图像分类任务中，一种名为S2CDELM（Spectral-Spatial Domain-Specific Convolutional Deep Extreme Learning Machine）的新型深度学习模型的应用。光谱空间特征的精确提取对于高光谱图像（HSI）的分类至关重要，传统方法往往依赖手动特征工程，而深度学习模型如卷积神经网络（CNN）能够自动学习这些特征，但它们的复杂网络结构和长时间训练成为挑战。 S2CDELM通过创新设计解决了这些问题。首先，它引入了局部感受域（LRF）概念，构建了一个包含两个分支的卷积学习模块：谱分支和空间分支。这两个分支分别处理光谱和空间信息，通过随机卷积节点构建，避免了深度学习模型中繁琐的反向传播过程。这种设计使得网络结构紧凑且易于构建，同时保留了利用光谱空间信息的能力。 卷积学习模块的输出特征被串联起来，然后送入一个完全连接的堆叠式极端学习机（ELM）网络，进一步优化分类性能。ELM的特点在于其随机生成的卷积滤波器和输入权重，这显著减少了模型的训练时间和复杂性。尽管使用的是随机权重，但S2CDELM在实验中显示出良好的泛化能力，其在流行HSI基准数据集上的表现超越了当前多种最新的分类器，不仅在分类精度上表现出色，而且学习速度较快。 研究工作得到了中国国家自然科学基金、国家科技重大专项以及浙江省自然科学基金的支持，这表明该方法的实用性和创新性得到了学术界的认可。S2CDELM的研究成果对于提升超光谱图像处理的效率和准确性具有重要意义，为该领域的未来发展提供了新的思考方向。