【论文浅读】《Deep Pyramidal Residual Networks for Spectral–Spatial Hyperspectral Image Classification》

创新思想：

文章提出了一种专门针对高光谱图像分类(Hyperspectral Image Classification, HSI)问题的深层CNN体系结构，称为高光谱金字塔ResNet结构模型(Hyperspectral Pyramidal ResNet)。

这个模型用残差的方法逐渐增加了所有卷积层的特征映射维数，并且在金字塔瓶颈残差块中分组，是为了在得到更多的位置信息的同时降低每层的时间复杂度。

主要原理：

残差模块单元。

残差模块单元中不同的卷积模型：
左：传统的残差模块中卷积层有相同的拓扑；
中：瓶颈残差模块减少了特征映射，但保持了单元之间的大小；
右：金字塔瓶颈残差模块的卷积层在中间逐渐增加，所以越来越宽。

高光谱金字塔ResNet结构模型(Hyperspectral Pyramidal ResNet)。
中间用了三个金字塔P1、P2、P3，其中每个金字塔由三个金字塔瓶颈残差模块单元B1、B2、B3构成，B的结构如上图所示。

不同金字塔瓶颈残差块中的卷积尺寸及步长。

四个数据集：IP、UP、SV、KSC。

主要实验结果：

该算法在IP数据集下与其他模型的效果对比。

该算法在UP数据集下与其他模型的效果对比。

该算法在SV数据集下与其他模型的效果对比。

在IP和UP两个数据集下，不同算法的准确率随着训练进度的变化趋势。

不同的输入尺寸下，该模型和SSRN在这三个数据集下准确率的对比。



分别为IP、UP、SV三个数据集下，不同算法的结果。