摘要

由于深度学习方法在计算机视觉领域取得了显著成果，越来越多的研究致力于将其强大的工具应用于高光谱图像（Hyperspectral Image, HSI）分类任务。迄今为止，大多数现有方法采用预训练加微调的两阶段策略来提取深层特征，这种方法不仅耗时巨大，而且严重依赖大量标注训练数据。针对这一问题，本文提出了一种高效的基于深度学习的HSI分类方法——随机块网络（Random Patches Network, RPNet）。该方法直接将从图像中随机抽取的图像块作为卷积核，无需任何训练过程。通过融合浅层与深层卷积特征，RPNet具备多尺度特征提取能力，能够更好地适应高光谱图像分类任务中不同目标具有不同空间尺度的特点。在三个基准高光谱数据集上的实验结果表明，所提出的RPNet方法及其两个变体（RandomNet与RPNet–single）均能取得与现有方法相媲美的分类性能，展现出良好的实用潜力。