17、高光谱图像分类与社区检测算法研究

高光谱图像分类与社区检测算法研究

1. 高光谱图像分类模型

在高光谱图像分类的深度学习模型中，经过混合降维后，输入 Y 变为 M × N × B。分类模型的第一步是特征提取，结合光谱和空间特征能提高高光谱图像的分类精度，比单独使用单一特征效果更好。3D - CNN 有助于提取这两种特征，但会丢失相邻图像块之间的依赖关系。

提出的模型是两种深度学习模型的混合。使用 ConvLSTM 从高光谱图像（HSI）中提取最相关的依赖特征，该模型使用窗口大小 w 生成 M × N 个图像块用于分类。以下是提出的 3D - CNN 模型和 2D - ConvLSTM 模型的概要：

3D - CNN 模型概要
| Layer (type) | Output shape | Kernel size |
| — | — | — |
| Input | 15 × 15 × 15 × 1 | NA |
| Conv3D | 13 × 13 × 9 × 16 | 3 × 3 × 7 |
| Batch norm | 13 × 13 × 9 × 16 | NA |
| Conv3D | 11 × 11 × 5 × 32 | 3 × 3 × 5 |
| Batch norm | 11 × 11 × 5 × 32 | NA |
| Conv3D | 9 × 9 × 3 × 64 | 3 × 3 × 3 |
| Output1 (reshape) | 9 × 9 × 192 |

2D - ConvLSTM 模型概要
| L