面向高光谱图像分类的可解释型深度网络研究

Hyperspectral image classification algorithms based on feature extraction rarely consider the physical connotation of image feature, which hinders the effiiciency improvement of the classification algorithms, and this problem is particular prominent in the classification methods using deep network as the framework. Meanwhile, the lack of connotation of the image features aggravates the seriousness of the above problems in the case of few labeled samples. Hence, we consider the small sample condition, and focus on mining the physical connotation of the sparse feature of hyperspectral images to improve its interpretability and construct an interpretable deep network. We mainly study the following:.Firstly, the data mining theory is introduced to clean the hyperspectral data, in order to acquire the high quality regenerated data and to extract the enhanced features suitable for classification task. Then, we seek an effective combination mode of the analytic and synthesis models in sparse dictionary field, study the reasonable explanation of the enhanced features under the combined model. Drawn from the the recently proposed concept of Capsule Network where specific neuron group only extracts the specific features, we complete the design of interpretable deep network whose output is the interpretable feature set. Finally, the interpretable feature set is used in the process of alternating optimization between small sample classification and clustering perception, so as to maximize the classification accuracy and to verify the efficiency of the algorithm framework. In addition, the classification results under this framework can provide technical support for the further improvement of land cover classification accuracy.

基于特征提取的高光谱图像分类算法较少考虑图像特征的物理内涵，在某种程度上阻碍了算法效率的提升，该问题在以深度网络为框架的分类算法中尤为突出。同时，在标记样本稀少情况下，无内涵的图像特征会加剧上述问题的严重性。因此，项目围绕小样本分类问题，重点挖掘高光谱图像稀疏特征物理内涵，提高其解释性，构建可解释型深度网络。具体来说：1）引入数据挖掘理论清洗高光谱数据，获得高品质再造数据，提取有利于分类的定向强化特征；2）探寻稀疏字典学习中解析模型和综合模型的有效结合方式，研究定向特征在模型下的合理解释，并借鉴近期提出的Capsule网络构建理念，即特定神经元组仅提取特定特征，来指导可解释型深度网络的设计，网络输出得到可解释特征集；3）将可解释特征集用于小样本分类与聚类感知的交替优化过程中，最大限度提升分类精度，验证本算法体系的高效性。本项目研究成果可为土地利用、覆盖分类等地学应用提供理论和技术支撑。

高光谱图像具有“图谱合一”的特性，能够精细刻画地物光谱，广泛应用于军事侦查、地质勘察、医疗诊断、农业监测等相关领域。其中，高光谱图像分类是所有应用的基础任务，设计可解释性强、泛化性好的高光谱图像分类算法具有重要的研究价值。目前，高光谱图像分类算法较少考虑图像特征的物理内涵，在某种程度上阻碍了算法效率的提升，该问题在以深度网络为框架的分类算法中尤为突出。同时，在标记样本稀少情况下，无内涵的图像特征会加剧上述问题的严重性。本课题针对以上问题，重点挖掘高光谱图像稀疏特征物理内涵，提高其解释性，构建可解释型深度网络。具体研究内容如下：.1）针对高光谱图像数据存在的噪声污染、异常、重复等普遍性的问题，提出基于数据挖掘理论的数据清洗方法，完成高光谱数据质量的提升，并在特征提取环节定向强化目标地物空间特征，抑制背景地物空间特征以提升高光谱图像特征提取效率。.2）针对高光谱图像波段信息冗余的问题，利用稀疏学习理论中的解析模型和综合模型的结合方式的优势，提出光谱维度特征提取环节下的波段重要性提取算法，并结合高光谱的数据特点强化空间特征提取，增强高光谱图像的光谱特征和空间特征在模型的可解释性。.3）针对深度网络模型可解释性差的问题，研究Capsule网络神经元分组连接方式，利用其对于特征关系的解耦优势，构建了结合同质注意空间特征的Capsule网络构建和丰度指引光谱特征的Capsule网络，提升高光谱图像的处理效率。.4）针对高光谱数据量小、标注困难的问题，设计面向小样本的标签增强策略，提出时空约束下的伪标签生成策略和基于图卷积网络的半监督标签传播算法，提升小样本下的地物鲁棒分类精度。.综合上述研究成果，形成了一套包含高光谱数据规范化数据清洗、稀疏约束的波段特征分析、可解释的Capsule网络构建、小样本下的动态标签增强的高光谱数据处理理论体系，在Indian Pines、Pavia University和Salinas等高光谱图像分类数据集上取得了明显的提升，并在典型地物探测中得到了验证，证明了本课题算法的高效性。