SSRN：Spectral-Spatial residual network for HSI classification

1.introduction

2.SSRN结构

2.1 3D-CNN & BN

输入数据是三维立方体数据：长、宽、深度（光谱带数）

2.2 光谱残差块 & 空间残差块

光谱残差块：

• 残差块包括两个连续的3D卷积层，然后在两个3D卷积层之间使用残差连接
• kernel_size = 1 * 1 * m，padding=(0 , 0 , 3) , stride = （1，1，1），相当于在光谱维度上滑动，即在光谱维度上进行卷积运算，可以保证提取光谱特征，同时设置光谱维度padding = 3，保证卷积后，输入数据的size不变，同时也方便残差连接时对应值相加。

空间残差块：

• kernel_size = (a,a,d) , padding = (1,1,0),stride = (1,1,1),相当于在空间维度上滑动，在空间维度上卷积运算，同时设置padding，保证输入输出前后尺寸不变，方便残差连接。

3.以Indian_pines数据集为例，描述SSRN

1. Indian_pines以输入7 * 7 * 200为例(取每一个像素的邻域三维体，然后中心像素对应类别为该邻域体的标签)
2. 首先在第一个卷积层中，卷积核大小为24个（1，1，7），输出为24个（7 ，7，97 ），这样降低了光谱维度
3. 然后接两个光谱残差块学习光谱特征，在光谱残差块中卷积核大小24个（1，1，7），同时采用padding=（0，0，3）填充，保证学习到光谱特征，同时尺寸不变
4. 两个光谱残差块之后，再接一个卷积层，卷积核大小为128个（1，1，97），输出为128个（7，7，1），用于保持光谱特征，这儿在转换一下维度变为1个（7，7，128），
5. 再接一个卷积层，卷积核大小24个（3，3，128），输出24个（5，5，1）
6. 然后进入空间残差块，

标签：Spectral,24,network,classification,卷积,残差,padding,光谱,维度
来源： https://blog.csdn.net/m0_46646835/article/details/120441109