Abstract Hyper-Spectral Image (HSI) classification is an important task because of its wide range of applications. With the remarkable success from the Convolutional Neural Network (CNN), the performance of HSI classification has been significantly improved. However, two main challenges remained. One is that the samples of HSI have dramatic intra-class diversity and inter-class similarity, and the conventional cross-entropy loss is not good enough to learn discriminative features. The other is that the number of the training samples is so limited that the network is easy to overfit. To address the first challenge, we develop an improved triplet loss in order to make samples from the same class close to each other and make samples from different classes further apart. The proposed loss function considers all the possible positive pairs and negative pairs in a training batch, filters many trivial pairs, and prevents the impact of the outliers at the same time. To deal with the second challenge, we design an appropriate network architecture with less learnable parameters. We train the designed network based on the proposed loss with randomly initialized network weights using only hundreds of training samples, and attain quite good results. The experimental results show that the proposed method significantly surpasses other state-of-the-art methods, especially with less training samples. Furthermore, being less complex, the training process only takes a few minutes on a single GPU, which is faster than other state-of-the-art CNN-based methods.

中文翻译：

---

通过具有改进三元组损失的判别卷积神经网络进行高光谱图像分类

摘要 高光谱图像（HSI）分类因其广泛的应用而成为一项重要任务。随着卷积神经网络 (CNN) 的显着成功，HSI 分类的性能得到了显着提高。然而，仍然存在两个主要挑战。一是HSI的样本具有显着的类内多样性和类间相似性，传统的交叉熵损失不足以学习判别特征。另一个是训练样本数量有限，网络容易过拟合。为了解决第一个挑战，我们开发了一种改进的三元组损失，以使来自同一类的样本彼此靠近并使来自不同类的样本相距更远。所提出的损失函数考虑了训练批次中所有可能的正对和负对，过滤了许多琐碎的对，同时防止了异常值的影响。为了应对第二个挑战，我们设计了一个具有较少可学习参数的适当网络架构。我们仅使用数百个训练样本基于建议的损失和随机初始化的网络权重来训练设计的网络，并获得了相当好的结果。实验结果表明，所提出的方法明显优于其他最先进的方法，尤其是在训练样本较少的情况下。此外，由于不那么复杂，在单个 GPU 上的训练过程只需几分钟，这比其他最先进的基于 CNN 的方法要快。并同时防止异常值的影响。为了应对第二个挑战，我们设计了一个具有较少可学习参数的适当网络架构。我们仅使用数百个训练样本基于建议的损失和随机初始化的网络权重来训练设计的网络，并获得了相当好的结果。实验结果表明，所提出的方法明显优于其他最先进的方法，尤其是在训练样本较少的情况下。此外，由于不那么复杂，在单个 GPU 上的训练过程只需几分钟，这比其他最先进的基于 CNN 的方法要快。并同时防止异常值的影响。为了应对第二个挑战，我们设计了一个具有较少可学习参数的适当网络架构。我们仅使用数百个训练样本基于建议的损失和随机初始化的网络权重训练设计的网络，并获得了相当好的结果。实验结果表明，所提出的方法明显优于其他最先进的方法，尤其是在训练样本较少的情况下。此外，由于不那么复杂，在单个 GPU 上的训练过程只需几分钟，这比其他最先进的基于 CNN 的方法要快。我们仅使用数百个训练样本基于建议的损失和随机初始化的网络权重来训练设计的网络，并获得了相当好的结果。实验结果表明，所提出的方法明显优于其他最先进的方法，尤其是在训练样本较少的情况下。此外，由于不那么复杂，在单个 GPU 上的训练过程只需几分钟，这比其他最先进的基于 CNN 的方法要快。我们仅使用数百个训练样本基于建议的损失和随机初始化的网络权重来训练设计的网络，并获得了相当好的结果。实验结果表明，所提出的方法明显优于其他最先进的方法，尤其是在训练样本较少的情况下。此外，由于不那么复杂，在单个 GPU 上的训练过程只需几分钟，这比其他最先进的基于 CNN 的方法要快。