基于多尺度自适应胶囊网络的高光谱遥感分类

作者：张根; 丁小辉^*; 杨骥; 王华

来源：激光与光电子学进展, 2022, 59(24): 263-272.

• 高光谱遥感
• 胶囊网络
• 非迭代自适应路由算法
• 深度学习
• 遥感分类

胶囊网络(CapsNet)是一种新型的神经网络，已被广泛应用于高光谱遥感分类。针对胶囊网络所面临的过拟合和梯度消失等问题，提出一种基于多尺度自适应胶囊网络(MSCaps)的高光谱遥感分类方法。利用多尺度(不同尺寸的输入图像)的卷积层来提取地物的空间特征与光谱特征，并采用一种非迭代自适应路由算法进一步改进CapsNet的结构，避免了耦合系数cij的稀疏化引起的过拟合问题。利用PU和SA两个公共高光谱数据集从总体分类精度(OA)和模型训练效率两方面评价了MSCaps的分类性能。在分类精度上，利用MSCaps与支持向量机(SVM)、随机森林(RF)、深度卷积神经网络(CNN)、CapsNet、多尺度的胶囊网络(MCaps)、基于非迭代自适应路由算法的胶囊网络(ARWI-Caps)、多尺度的卷积神经网络(MSCNN)对原始影像的OA进行对比；还与SVM、RF对经主成分分析(PCA)特征提取后的影像的OA进行对比，其中两种分类方法分别简称为PCA-SVM与PCA-RF。在训练效率上，对MSCaps的训练时间和CNN、CapsNet、MSCNN的训练时间进行对比。实验结果表明：MSCaps对PU和SA数据集的OA分别为99.14%和95.38%，分类精度均高于SVM、RF、PCA-SVM、PCA-RF、CNN、CapsNet、MCaps、ARWI-Caps及MSCNN；在模型训练效率方面，MSCaps在PU和SA两种数据集上的耗时分别约为CapsNet的1/3与1/4，训练效率较CapsNet有大幅提高。因此，所提MSCaps可以有效解决基于CapsNet的高光谱遥感分类问题。

• 单位
  广东工业大学; 南方海洋科学与工程广东省实验室（广州）; 广东省科学院; 广州地理研究所