A Multitask Deep Learning Model for Classification and Regression of Hyperspectral Images: Application to the large-scale dataset

多任务学习是计算机视觉和深度学习领域中被广泛认可的技术。然而，在遥感领域，特别是高光谱成像领域，它仍然是一个研究问题。此外，遥感领域的大部分研究都集中在小型和基于单一任务的注释数据集上，这限制了所开发模型在更多元化和复杂的实际场景中的普适性和可扩展性。因此，在本研究中，我们提出了一个多任务深度学习模型，旨在对高光谱图像同时执行多个分类和回归任务。我们在一个名为TAIGA的大型高光谱数据集上验证了我们的方法，其中包含13个森林变量，包括三个分类变量和十个具有不同生物物理参数的连续变量。我们设计了一个共享编码器和任务特定解码器网络，以简化特征学习，同时允许每个任务特定解码器专注于其各自任务的独特方面。此外，我们还集成了密集的扩张金字塔池化层和注意力网络，以提取多尺度的上下文信息，并通过优先处理任务特定特征来实现选择性信息处理。进一步地，我们计算了多任务损失并优化了其参数，以提高所提出框架在不同任务中的模型性能和效率。对结果进行了全面的定性和定量分析，表明所提出的方法明显优于其他最先进的方法。我们在10个种子/试验中训练了我们的模型，以确保其稳健性。我们提出的模型表现出更高的平均性能，同时保持更低或等效的可变性。为了使工作可重复，代码将在https://github.com/Koushikey4596/Multitask-Deep-Learning-Model-for-Taiga-datatset上提供。

本文旨在解决遥感领域中多任务学习的问题，特别是在高光谱成像方面。同时，针对当前遥感领域中基于小型单任务数据集的研究，提出了一种可扩展性更强的多任务深度学习模型。

本文的关键思路是设计一种共享编码器和任务特定解码器网络，以在流畅的特征学习的同时，允许每个任务特定的解码器专注于其各自任务的独特方面。此外，还整合了密集的扩张金字塔池化层和注意力网络，以提取多尺度上下文信息并通过优先处理任务特定特征来实现选择性信息处理。

本文在TAIGA数据集上验证了提出的多任务深度学习模型，该数据集包含13个森林变量，包括三个分类变量和十个具有不同生物物理参数的连续变量。本文还计算了多任务损失并优化其参数，以提高模型在各种任务中的性能和效率。实验结果表明，本文提出的方法显著优于其他最先进的方法。作者在10个不同的种子/试验中训练了模型以确保其稳健性。此外，作者还将代码开源，以便读者可以重现实验。

最近在该领域中的相关研究包括：1. “Multi-Task Learning for Hyperspectral Image Classification and Segmentation”；2. “Multi-Task Learning for Remote Sensing Image Analysis”；3. “Hyperspectral Image Classification with Multi-Task Learning and Adaptive Spectral-Spatial Feature Extraction”。