A2S-NAS: Asymmetric Spectral-Spatial Neural Architecture Search For Hyperspectral Image Classification

要約

既存の深層学習ベースのハイパースペクトル画像 (HSI) 分類作業は、固定サイズの受容野の制限に依然として悩まされており、さまざまなサイズと任意の形状を持つ地上オブジェクトの特有のスペクトル空間機能の難しさにつながっています。
一方、以前の研究の多くは、HSI の非対称スペクトル空間次元を無視しています。
上記の問題に対処するために、非対称のスペクトル空間次元を克服し、重要な機能をキャプチャするために、多段階検索アーキテクチャを提案します。
まず、スペクトル空間次元での非対称プーリングにより、HSI の本質的な機能が最大限に保持されます。
次に、選択可能な範囲の受容野を使用した 3D 畳み込みは、固定サイズの畳み込みカーネルの制約を克服します。
最後に、これら 2 つの検索可能な操作を各ステージの異なるレイヤーに拡張して、最終的なアーキテクチャを構築します。
インディアン パインズとヒューストン大学を含む 2 つの挑戦的な HSI ベンチマークで広範な実験が行われ、結果は、関連する研究と比較して優れたパフォーマンスで提案された方法の有効性を示しています。

要約(オリジナル)

Existing deep learning-based hyperspectral image (HSI) classification works still suffer from the limitation of the fixed-sized receptive field, leading to difficulties in distinctive spectral-spatial features for ground objects with various sizes and arbitrary shapes. Meanwhile, plenty of previous works ignore asymmetric spectral-spatial dimensions in HSI. To address the above issues, we propose a multi-stage search architecture in order to overcome asymmetric spectral-spatial dimensions and capture significant features. First, the asymmetric pooling on the spectral-spatial dimension maximally retains the essential features of HSI. Then, the 3D convolution with a selectable range of receptive fields overcomes the constraints of fixed-sized convolution kernels. Finally, we extend these two searchable operations to different layers of each stage to build the final architecture. Extensive experiments are conducted on two challenging HSI benchmarks including Indian Pines and Houston University, and results demonstrate the effectiveness of the proposed method with superior performance compared with the related works.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google