Deep Multiview Learning for Hyperspectral Image Classification

自娱自乐对比学6-多视图对比学习

把数据增强的手段，稍稍扩展一下，引入一个概念，命名为多视图。然后结合对比损失，就是多视图对比学习还可以。有个经典论文CMC：Contrastive Multiview Coding。应该出处在这里。

I. INTRODUCTION

还是解决小样本问题：无监督学习。目前的无监督学习太复杂，效果也不好。 -> 多视图好！

本文的贡献：

• A deep residual network with 51 layers is designed. -> The depth of the designed network ensures the generalization ability of the learned features.(51 层，这么溜，有必要吗？)
• 两种数据增强。

II. PROPOSED METHOD

A. Deep Multiview Learning
主要问题：何谓多视图，怎么构造多视图：

• 高光谱图像本事就是多视图，很贴切呀。
• 把一些维度和另一些维度组成一个像素对，多美的事呀。

B. Deep Residual Network
好深。
C. Training and Testing Procedure
讲了数据增强相关的内容。

III. EXPERIMENTAL RESULTS AND ANALYSIS

A. Data Sets
50% 预训练。50%test。只有50%进行测试，又是一种比较新颖的方式。
B. Parameter Setting and Analysis
C. Comparison Results With the State-of-the-Art Methods
D. Feature Visual Analysis
E. Execution Time Analysis

IV. CONCLUSION

让我意识到了对比学习和多视图的练习，好像可以进一步研究一下。深度一下波段和视图的探索。

我是不是也可以谢谢他们，找他们要代码。
The authors thank Prof. Mei Shaohui for providing the codes of 3DCAE. They also thank Prof. Wei Li for providing the codes of JCR.

链接: Deep Multiview Learning for Hyperspectral Image Classification