高光谱遥感空谱宽度学习的高效分类算法研究

Under the background of spatiotemporal big data environment, hyperspectral image classification (HSIC) has been gradually used in disaster quick response, commercial and civil use. High effective and efficient hyperspectral image classification algorithms are in urgent need of smart city development for the increasing of remote sensing data and the demands for quick response. . However, deep structure and learning suffer from a time-consuming training processing because of a large number of connecting parameters in filters and layers. Therefore, this research project intends to utilize the efficiency of broad learning system (BLS) with spectral-spatial feature extraction to improve the performance of hyperspectral image classification by automatically integrating adaptive incremental spatial training samples. Furthermore, in order to eliminate the problem caused by "different class with same spectrum" or "same class with different spectrum", this research project will also explore the bands analysis and the properties of space consistency to construct an adaptive spectral-spatial convolutional BLS framework with high intra class similarity and inter class discrimination for improving the effective and efficiency of HSIC. This project would serve as a theoretical and technical support for the application of the HSIC in smart city development.

在时空大数据背景下，高光谱遥感图像分类逐步向灾害快速响应与商用、民用领域不断渗透。因此随着数据量的不断增大与灾害快速响应的需求，迫切需要高效高精度的高光谱图像分类算法以满足遥感大数据在智慧城市发展中的应用需求。. 针对深度学习算法中存在的训练耗时与训练样本需求量大的现状，本项目拟有机结合空谱特征提取，利用宽度学习系统参数优化的高效性，研究具有自适应训练样本扩充与自主增量模式的宽度学习算法框架。同时，为克服高维光谱中存在的“同物异谱”与“异物同谱”问题，利用波段分析与空间一致性特性，研究具有高类内相似度与类间分离度的自适应空谱卷积宽度学习系统，以期实现高精度高效率的高光谱遥感图像分类算法，在有效提高高光谱遥感图像分类效果的同时保证分类效率，为高光谱遥感技术在智慧城市发展中的应用提供理论基础与技术支持。

随着高光谱遥感技术在航空航天灾害快速响应应用中的高效与高精度处理需求，本项目通过对注意力方法、高光谱空谱融合特征的高效提取、轻量化操作算子、宽度与深度网络融合结构的探索等进行了深入的研究，完成并得出了以下重要结果：1）提出端到端的残差空谱注意网络(RSSAN)：通过光谱注意力抑制与空间特征细化实现了对空谱注意力模块的残差嵌入，该研究成果有效避免了分类的过拟合同时提升了模型的分类效率与效果；2）提出双通道胶囊生成对抗网络（DcCapsGAN）：通过融合胶囊网络向量化输出的概率与位置信息，同时构建Octave卷积与多尺度卷积，该研究成果有效挖掘和生成了多尺度空谱特征信息，提升了高光谱遥感图像的分类精度与分类表现；3）提出神经架构搜索指导的轻量化注意力特征融合网络（LMAFN）：以神经架构搜索指导结论设计轻量化光谱和空间特征提取结构，该研究结果以更少的参数、计算资源和更少的标记训练样本及更高效的推理效率提升了分类效果与效率。4）提出非深度动态轻量化宽度多通道网络（HyperLiteNet）：对深度网络带来的梯度消失与爆炸、模型过拟合、优化困难以及高计算成本与高延时问题，采用动态卷积模块构建多通道宽度并行网络，该重要结果实现了模型知识扩容的同时降低了模型参数量与模型推理延时，有效保证了所提出算法在更少参数量情况下的分类精度与分类效率的提升。. 本项目主要研究成果通过在高光谱遥感数据集上的效果验证，其中重要成果算法模型参数量与FLOPS较ResNet18均减少了98%以上，同时与SSRN方法相比精度有2%-8%的精确度的提升以及90%以上的测试效率提升。依托本项目支持项目负责人已录用及发表SCI相关TOP论文4篇（其中项目负责人一作兼通作TOP论文三篇，重要指导参与一篇），以第一发明人申请相关国家发明专利7项，协助培养毕业博士生4人，硕士生2人，目前在读硕士生2人。