Deep Feature Fusion via Two-Stream Convolutional Neural Network for Hyperspectral Image Classification
发表于TGRA
1)提出了一种新的两流CNN结构用于HSI分类，它可以并行提取光谱、局部空间和全局空间信息。该方法在统一的目标函数下，对特征提取、融合和分类进行端到端的训练。
2）提出了一种基于通道间相关性和SE概念的方法来提高两个并行流的频谱空间特征提取能力。这在实际中尤其重要，因为特征提取流的实际深度受到可用训练数据量的限制。为此，我们推导出一种将SE概念纳入HSI光谱空间分类的正式方法。
3)提出了一种分层正则化和平滑归一化融合方案，自适应地控制融合权值，较好地融合了光谱空间特征。
4)将二维CNN嵌入到特征提取流中。不同于传统的光谱特征提取流总是基于一维CNN或其他一维方法，我们提出的特征提取流对小图像块进行操作，同时提取光谱和局部空间特征。此外,我们结合浅层和深层网络进行提取最佳光谱和空间信息含量。这种配置有效地利用了多尺度光谱空间信息和不同深度的融合特征。
简评：在已有的基础上添加了SE注意力机制和多尺度方法，CV老方法。