HSI图像学习路线参考

学习路线大致可以分为代码相关和原理相关。

两者在学习顺序上应当是并行的，两者会自然地相互促进，学习代码也离不开对论文的学习。

但是在不同时期侧重点不同，建议顺序：

• 入门阶段从一两篇综述、一两篇经典论文开始学习，了解该领域基本术语、要做的任务、大致方向等；
• 随后进行代码学习，1对已有经典开源代码的学习；2对某篇经典论文进行代码复现；
• 广泛的阅读前沿论文，激发idea，并通过代码进行初步验证

代码相关

1 对经典代码学习

​ 借助一份经典代码，通过debug模式逐行运行，理解各行代码、各函数的功能，并根据运行过程了解：

• 对数据集的处理（读取/转置、预处理、取patch、抽样划分训练集）

• HSI分类的一般流程 （数据读取、数据预处理、训练集测试集划分、模型设计、选取优化器/损失函数等深度学习组件、训练/验证、预测、结果可视化）

• 深度学习训练的一般流程（pytoch 、tensorflow略有区别 ，目前pytorch应用较多）

• 模型设计 通过逐行debug理解网络forward过程中，特征维度/数量的调整与变化、tensor数据的不同转换（cpu/gpu/numpy）

• 其他细节 模型预测/结果可视化/PCA等相关函数的学习

e.g. https://github.com/eecn/Hyperspectral-Classification

​ 或往届师兄师姐代码

2 代码复现

在基本了解HSI处理流程的基础上，自己从0开始进行一份代码复现（e.g. HybridSN）,并观察是否可以达到与原论文相近的结果（由于实验条件的不同，相差3-5个百分点都是可能的）

可以完成代码复现后，即具有了实现个人idea的能力

原理相关

对细节的深入理解才是解决多数问题的关键，有些情况下并不是idea不起作用，可能是某些细节设置有问题

了解以下概念：

• 数据预处理的作用：

  规范化/标准化 如何对数据应用（对向量应用/对图像应用/对特征应用）

  数据降维的方法与作用（主要是PCA方法）

• 不同patch大小的影响/不同batch大小的影响/学习率的作用/不同的优化器的区别

• 2D、3D卷积的细节，卷积/池化/全连接/BN层/Dropout/Softmax的作用

• 经典网络结构的作用，残差连接、inception结构、bottleneck、注意力机制

• 不同的损失函数（常用 交叉熵、均方误差）与其工作原理

• 样本的特征：空间特征/光谱特征，局部特征/全局特征/多尺度特征/协方差矩阵提取二次特征

• 了解不同的深度学习方法在HSIc上的应用：监督学习、半监督学习、自监督、主动学习、强化学习、迁移学习、神经网络架构搜索NAS

相关微信公众号推荐：科研之高光谱

最后

以上就是迅速可乐为你收集整理的HSI图像学习路线参考HSI图像学习路线参考原理相关的全部内容，希望文章能够帮你解决HSI图像学习路线参考HSI图像学习路线参考原理相关所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。