论文标题：3D-ANAS: 3D Asymmetric Neural Architecture Search for Fast Hyperspectral Image Classification 论文链接：https://arxiv.org/abs/2101.04287 代码链接：https://github.com/hkzhang91/3D-ANAS 作者单位：西北工业大学, 阿德莱德大学 表现SOTA！性能优于3DLWNet、1-D Auto-CNN等网络，代码即将开源！

高光谱图像涉及丰富的光谱和空间信息，在土地覆被分类中起着不可替代的作用。近来，基于深度学习技术，已经提出了越来越多的HSI分类方法，这些方法证明了有希望的性能。但是，先前的研究有两个主要缺点：1）大多数深度学习模型的体系结构是手动设计的，依赖于专门知识，并且相对繁琐。此外，在HSI分类中，由不同传感器捕获的数据集具有不同的物理属性。相应地，需要针对不同的数据集设计不同的模型，这进一步增加了架构设计的工作量。 2）主流框架是补丁到像素的框架。重复计算相邻像素的补丁的重叠区域，这增加了计算成本和时间成本。此外，分类精度对贴片大小敏感，这是在广泛研究实验的基础上人为设定的。为了克服上述问题，我们首先提出一种3D非对称神经网络搜索算法，并利用它来自动搜索HSI分类的有效架构。通过分析HSI的特征，我们专门构建了3D非对称分解搜索空间，其中光谱和空间信息通过不同的分解卷积进行处理。此外，我们提出了一种新的快速分类框架，即像素到像素分类框架，它没有重复的操作并降低了总成本。对通过不同传感器捕获的三个公共HSI数据集进行的实验表明，由3D-ANAS设计的网络与几种最先进的方法相比，具有竞争优势，同时推理速度更快。

内容中包含的图片若涉及版权问题，请及时与我们联系删除