标签：Capsure 复杂度 HSI 网络 特征 CNN 光谱 Networks
【利用胶囊网络处理高光谱图像问题】
Abstract
传统的CNNs对高光谱图像（HSI）识别问题有很好的效果，但是传统的CNNs对于找到空间-光谱间特征的联系领域上面存在障碍。(光谱-空间特征的联系是解决远景HSI 高等级复杂度的关键)
之前的解决办法是使用大量的信息数据调试参数。
我们建立一个基于 光谱-空间 压缩网络的 新CNN结构来降低寻找参数的复杂度
我们定义一个CNN模型将压缩单元（capsule unit）改变为空间-光谱单元（s-s），专用于识别远处的HSI数据
这个模型由以下几个模块组成
-
空间-光谱压缩：能够通过考虑物理位置，空间特征的联系，他们可能的传输，找寻s-s特征
选用了5组数据和其他方法进行比较
INTRDUCTION
主要目的：对遥感光谱信息的整理，比如电子微观科学等
主要解决问题所在
-
数据的高复杂度
-
训练数据量的限制
导致的问题
-
传感器所具有的信息过多，并且存在不可避免的扰动，限制了行为
-
训练集的标记的可利用性被限制，（没太读明白）
使用三维向量作为计算方法
卷积神经网络能够筛选出低级的特征，然后进一步得到更高级的特征
但即使这样，不同位置之间的关系的获得还是受限，
拥有共用层和空间大小逐渐减小，中间的数据表明在下层和上层特征之间存在联系
共用操作基于低层例子特征空间的大小，不可避免的丢失重要的位置信息
无法适应微小改变，无法得到两个物体之间的关系
前面的一些改进方法：
-
使用深度网络，虽然能够改善，但是需要大量正确匹配的数据
残差网络和Dense网络都尝试各自解决这个问题
-
残差网络：使用processing block 作为基础模块使他能够从已知的上层获得特征
-
Dense网络：定义一个在前面特征的映射 的结构
-
Caps网络：将数据之间的关系编码成表示可能性的向量
自此，我们想到一种新的基于CapsNets的CNN，实现高速HSI识别的同时显著的降低降低建立网络的时间复杂度
我们的模型能够，每个压缩估计在HSIdata当中特定的S-s特征联系的可能性
除此之外，通过观察s-s之间的特征所经历的转化（通过respect彼此对应的地方）提供一系列对应的参数
最终这个网络能够在高阶抽象等级上，特征化HSI的输入数据，最终令我们能够降低回
旋的层数和继承模型的复杂度，令GPU能够更快的执行操作
文章各模块简述：
-
Ⅱ CNN的优点和局限
-
三 描述我们模型的方法
-
四 和其他方法的比较
-
五 一些注意事项和提示给未来的研究方向
-
标签：Capsure,复杂度,HSI,网络,特征,CNN,光谱,Networks 来源： https://www.cnblogs.com/rentu/p/11788277.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。