基于神经网络架构搜索的高光谱图像分类算法研究.pdf

哈尔滨理工大学电子信息硕士学位论文

基于神经网络架构搜索的高光谱图像分类算法研究

摘要

HyperspectralImageHSI

随着遥感技术的发展，高空间、高光谱图像（，）

数据具备丰富的关键点特征以及特殊语义构成的整体场景信息。因而高光谱图

像分类任务是遥感图像分析领域内的主要课题。传统的高光谱图像分类算法是

采用手工提取特征的方法，更关注图像纹理和边缘等等特征，分类效果较差而

无法满足实际应用需求。近些年内，深度学习领域利用卷积神经网络提取数据

特征内容，提高图像的高层语义信息，有效的提高了分类精度。但神经网络的

训练往往需要较大的调参工作量，且无法保证神经网络结构应用的广泛性。为

了突破手工设计神经网络的瓶颈，研究者们提出了神经架构搜索算法，这类算

法目前采用的是共享权重参数的单元进行网络堆叠而实现搜索，但是容易导致

模型稳定性问题。因此本文针对上述问题分别提出了两种解决方法：

针对HSI三维数据远距离信息获取不足的问题进行了优化，改进了基于混

合搜索式神经网络架构搜索的高光谱图像分类框架。首先构建圆形核的混合式

β

搜索空间，使得模型获取丰富的局部信息；此外增加了衰减正则化方案，以减

少离散化差异和搜索时间；最后利用置信度学习率策略来提高模型分类的准确

性并减少计算复杂度。该方法有效地提高分类网络对高光谱信息特征的敏感性，

并明显提高了HSI数据的整体分类性能。

针对NAS存在搜索评估深度鸿沟以及参数数量和计算量较大的问题以及

HSI--

的空间光谱信息多样性特征利用问题，提出了基于多尺度慢快速学习神经

-

网络架构搜索的高光谱图像分类框架，首先构建了慢快架构学习范式，不仅能

够优化架构向量的迭代更新，还可以提高模型的泛化能力；其次添加了多尺度

-

注意力机制扩展式空间，可以增强模型的鲁棒性和空谱特征的感受野捕获能

力，并更好地实现路径优化，实现轻量化扩展式模型构建；最后，引入了Lion

优化器来提高HSI数据分类的准确性。该方法有效地提取深层次的谱空间特

-

征，并明显增强了三维数据的空间光谱自适应学习能力。

关键词高光谱图像；深度学习；神经网络架构搜索；搜索空间；搜索策略

哈尔滨理工大学电子信息硕士学位论文

HyperspectralImageClassificationAlgorithmBased

onNeuralArchitectureSearch

Abstract

Withthedevelopmentofremotesensingtechnology,hyperspectralimaging

(HSI)data,characterizedbyhighspatialandspectralresolution,providesrichkey

pointfeaturesandholisticsceneinformationwithspecificsemantics.Therefore,

hyperspectralimageclassificationisasignificanttaskinthefieldofremotesensing

imageanalysis.TraditionalHSIclassificationalgorith