HybridSN：探索用于高光谱图像分类的3D-2D CNN特征层次结构

高光谱图像（HSI）分类在遥感图像分析中得到了广泛应用。高光谱影像包含多个不同波段的图像。卷积神经网络（CNN）是用于视觉数据处理的最常用深度学习方法之一。近年来，许多研究也采用了CNN进行HSI分类。这些方法大多基于二维CNN（2D CNN）。然而，HSI分类性能高度依赖于空间和光谱信息。由于计算复杂度增加，很少有方法利用三维CNN（3D CNN）。本文提出了一种混合光谱卷积神经网络（HybridSN）用于HSI分类。具体而言，HybridSN是一种先进行光谱-空间三维CNN（3D-CNN），再进行空间二维CNN（2D-CNN）的混合架构。三维CNN有助于从一系列光谱波段中提取联合的空间-光谱特征表示。在其基础上的二维CNN进一步学习更高层次的空间特征表示。此外，与单独使用三维CNN相比，混合CNN的模型复杂度有所降低。为了测试该混合方法的性能，我们在印度松树、帕维亚大学和萨利纳斯场景等遥感数据集上进行了严格的HSI分类实验。实验结果与最先进的手工设计及端到端深度学习方法进行了比较，表明所提出的HybridSN在HSI分类中取得了非常令人满意的效果。源代码可在以下网址获取：\url{https://github.com/gokriznastic/HybridSN}。