融合统计光谱视图与稀疏表示先验的高光谱图像分类方法DuSR-Net

《Scientific Reports》：DuSR-Net: a statistical- and optimization-prior-guided deep-unrolled network with cross-scale manifold alignment for hyperspectral image classification

　　

摘要

高光谱图像（HSI）分类仍然面临挑战，原因包括其高光谱维度、有限的数据标注样本以及空间-光谱变异性。我们提出了DuSR-Net，这是一种由互补的统计光谱视图和基于优化的稀疏表示先验所引导的深度展开网络。所提出的方法结合了两种统计预处理视图和一种基于优化的结构先验，而非基于高光谱图像形成过程的显式物理模型。首先，主成分分析和基于方差的光谱波段选择为输入提供了互补的低维且信息保持的统计视图。其次，跨尺度流形对齐模块利用基于PCA的表示来引导从所选高方差光谱波段中提取的特征的细化。第三，基于ADMM的骨干网络通过可学习的迭代更新和软阈值操作引入了与优化相关的稀疏表示先验。这些组件提高了网络的结构透明度，因为它们的作用分别对应于降维、特征对齐和稀疏正则化。我们强调，该方法并未显式建模辐射传输、大气散射、材料反射率或传感器响应，因此其可解释性是算法层面的而非基于物理的。在多个基准数据集上的实验表明，在有限标签条件下，该方法展现出具有竞争力的分类精度和空间一致性。代码：https://github.com/yongqichang202-beep/DuSR-Net