HybridSN: 3D-2D CNN 特徴階層を用いた高光譜画像分類の探索

超光譜画像（Hyperspectral Image: HSI）の分類は、遠隔センシング画像の解析に広く利用されています。超光譜画像には様々な波長帯域の画像が含まれています。畳み込みニューラルネットワーク（Convolutional Neural Network: CNN）は、視覚データ処理において最も頻繁に使用される深層学習ベースの手法の一つです。HSI分類におけるCNNの使用も最近の研究で見られます。これらのアプローチは主に2次元CNN（2D CNN）に基づいています。しかし、HSI分類の性能は空間情報とスペクトル情報双方に大きく依存します。計算量が増大するため、3次元CNN（3D CNN）を用いる方法は非常に少ないです。本稿では、HSI分類用のハイブリッドスペクトル畳み込みニューラルネットワーク（Hybrid Spectral Convolutional Neural Network: HybridSN）を提案します。基本的には、HybridSNはスペクトル-空間3D-CNNとその後に続く空間2D-CNNから構成されます。3D-CNNは、スペクトルバンド群からの共同空間-スペクトル特徴表現を容易にします。その上にある2D-CNNはさらに抽象的なレベルでの空間表現を学習します。また、ハイブリッドCNNの使用により、単独で3D-CNNを使用する場合よりもモデルの複雑さが減少します。このハイブリッドアプローチの性能を検証するために、インド・パイネス、パヴィア大学、サリナスシーンという遠隔センシングデータセット上で非常に厳密なHSI分類実験を行いました。結果は最新の手作業による手法およびエンドツーエンド型深層学習ベースの手法と比較しました。提案されたHybridSNを用いたHSI分類において非常に満足できる性能が得られました。ソースコードは\url{https://github.com/gokriznastic/HybridSN}から入手できます。