摘要
高光谱图像（Hyperspectral Image, HSI）分类广泛应用于精准农业、矿产勘探、遥感等多个领域。传统上，卷积神经网络（Convolutional Neural Networks, CNNs）被用于HSI分类任务，但其在挖掘光谱-空间关联关系方面存在局限性，而这一特性正是理解HSI数据的关键因素。尽管更深层的CNN架构以及三维卷积神经网络（3-D CNNs）在一定程度上缓解了上述问题，但其带来的计算复杂度显著增加，限制了其在资源受限设备（如物联网IoT及边缘计算设备）中的应用。本文提出了一种基于矩阵胶囊（Matrix Capsules）与期望最大化（Expectation-Maximization, EM）路由算法相结合的新型方法，专门针对HSI数据的内在特性进行设计，以高效解决上述挑战。该方法中的胶囊单元能够有效识别数据中的光谱特征及部分-整体关系，而EM路由机制则保障了对视角变化的不变性。为验证所提方法的有效性，我们在三个具有代表性的HSI数据集上进行了实验。实验结果表明，该方法在分类精度上优于当前最先进的技术，同时模型参数量减少约25倍，存储空间需求降低超过65倍。相关源代码已公开，可访问：https://github.com/DeepMatrixCapsules/DeepMatrixCapsules。