写在前面

论文：

Y. Chen, H. Jiang, C. Li, X. Jia and P. Ghamisi, “Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks,” in IEEE Transactions on Geoscience and Remote Sensing, vol. 54, no. 10, pp. 6232-6251, Oct. 2016.

参考代码：

https://github.com/eecn/Hyperspectral-Classification

本文整理的论文发表于2016年，是一篇相对较早的论文。主要特点：

⭐️ 模型设计：较早使用三维卷积神经网络用于高光谱图像分类；设计并实验基于1D-CNN、2D-CNN、3D-CNN的分类模型；在空间维度上，卷积核的感受野较小(范围为3-5)，在光谱维度上，卷积核的感受野较大(eg:32,64,128)。

⭐️ 数据处理：使用了虚拟样本增广策略，基于已有训练样本产生虚拟样本(针对给定样本，乘以因子后加随机噪声；针对给定的两个同类别样本，线性组合产生同类虚拟样本)；

⭐️ 实验设计：

• 可视化卷积，展示对比初始权重矩阵和经过卷积运算后得到的权重，说明不同的卷积核响应不同的特征，验证提出的网络结构的有效性；
• 使用相关系数衡量同类样本之间的相似性，使用J-M距离计算不同类样本之间的差异性。对比经过不同卷积层处理后类内相似性和类间差异性，说明卷积运算有助于提升同类样本之间的相似性和不同类样本之间的差异性 $\Rightarrow$ 有助于最终分类层的分类；
• 计算了每个数据集中每个类别的分类准确率，相比其他方法更具竞争力；
• 对于同一参数设置的实验，计算在20次不同数据集划分(设置不同的随机种子)情况下的指标均值和标准差，较小的标准差说明模型对数据差异性不敏感，避免恰好结果较好的实验对应最好的数据划分。

⭐️ 论文写作：涉及到了CNNs以及相关的一些基础知识，比如CNN的局部连接和权值共享、三维卷积的运算、正则化和Dropout。

整理思路

一些关注点：

• 三维卷积的运算和三维卷积神经网络的设计；
• 针对不同网络的输入设计(邻域大小、光谱维度的选择)；
• 实验的对比设计和详细分析。