【论文笔记】Naive Gabor Networks for Hyperspectral Image Classification

C.Liu et al., "Simple Gabor Networks for Hyperspectral Image Analysis," in IEEE Transactions on Neural Networks and Learning Systems (2020).

1.创新点

本文引入了基于相位诱导（Phase-Induced）原理构建的一个Gabor核（...），其替代传统CNN中的标准卷积核（Convolutional Neural Network），旨在降低模型复杂度并限定潜在解的空间范围（solution space）。此外还能够通过实数值运算实现复数值Gabor滤波效果（filtering），在前馈与反馈传播机制下自适应优化模型参数。在此框架下构建了新型神经网络模型——Gabor-Nets（神经网络架构），并采用了创新性的初始化策略（initialization method）。该模型用于有效提取高光谱图像中的谐波特性信息（harmonic features）。

2.论文细节

2.1INTRODUCTION

为了解决HSIC问题采用CNN存在两个主要挑战：首先为了防止过拟合CNN需要大量高质量的训练样本；其次由于卷积核的学习涉及非凸优化问题会受到局部极小值和平坦区域的影响。针对这些问题研究者们提出了多种解决方案：例如Shamir等学者假设输入数据服从高斯分布从而设计相应的网络架构；Chen等提出了基于贝叶斯建模与神经网络融合的新框架；还有许多创新者利用先验知识重新设计卷积核结构如circular harmonics滤波器使其具备平移和旋转不变性；另外Gabor滤波器在低频特征提取方面表现出色因此常被用于构造CNN中的卷积核基函数。然而经典Gabor滤波器具有复数形式而CNN采用实数形式导致实际应用中学者往往仅利用其实部信息构建卷积核基函数从而忽略了高频信息的重要性为此Jiang等学者尝试将实部与虚部分别作为独立特征进行联合提取但这种做法忽略了两者的内在关联关系而且现有方法仍停留在人工设计的具体滤波器库上缺乏自动化优化机制。鉴于此本文提出的自动学习框架能够有效结合多源先验信息与深层表征学习机制从而显著提升模型性能

2.2 PROPOSED METHOD

• 传统的2-D Gabor filter kernel

• phase-induced Gabor kernel

该网络基于Gabor神经元构建。其每一层中使用的Gabor滤波器数量与卷积核数量相对应，在每一层中使用的Gabor滤波器数量与卷积核数量相对应。具体而言，在该网络中，N_t代表θ₀_s方向的数量设定而N_m代表w₀_s幅度的数量设定。

In the Gabor-Nets architecture, the first two convolution layers (Conv1 and Conv2) within each CONV block are equipped with 16 filters. Both Nt and Nm were initialized to 4 in direction and magnitude, respectively. Each subsequent addition of a CONV block resulted in doubling the number of filters and the number of directions, while maintaining Nm at 4. Without any pooling layers due to the small patchsize, this network structure avoids unnecessary downsampling operations. In the CNN's fully connected (FC) block, the global average pooling (GAP) layer compresses feature maps from Sp × Sp × Ni into 1 × 1 × Ni dimensions.

3.实验

参数设定

对比算法

数据集

可视化实验结果：
①展示了CNN和Gabor-Nets在第一层输出的特征图，并观察到CNN的特征呈现模糊状态且具有丰富的形状特征；相比之下,Gabor-Nets展现出清晰的边界特征但缺乏多样性的特点,研究者指出HSI仅包含几何特性和形态学特性等基本特征。
②Gabor-Nets遵循Gabor先验知识对滤波器bank参数进行初始化,随机设定相位参数.采用其他初始化方案将会影响分类性能OA,具体而言,若未引入P参数或设置P参数为初始值0都将降低OA表现.
③展示了三种不同配置（含P、p0=0、P=0）的Gabor-Nets在经过第一层学习后捕获的不同角频率特性

④可视化了经过第一层后学到的w（frequency magnitude）和σ（尺度）（完全没懂😵😵😵）

4.单词（我认识你，永远记得你）

相片通常非常受欢迎, 其原因在于当所有人都愤怒时很少有人会选择拍照. <少年犯>