1.论文概要

研究背景：

本文是17年的会议论文，网络设计创新点和实验内容不多，所以简单的总结一下。

✡︎论文链接。随着网络层数的加深，网络学习时不同层级间存在相关性。所提出的DRN可以有效的克服由于网络深度增加和有限的训练样本引起的分类准确性的降低。利用混合机制合并网络中不同分层特征。

实验验证：

在 Indian Pine数据集随机取10%训练样本训练学习。

2.算法应用

网络架构创新

文中提出的Hybrid deep residual network（DRN）特点在于，层数深，另一点文中提出不同层的输出可以表示不同尺度的特征，它们可以提供互补相关的信息。因此，引入混合机制以充分利用多尺度特征。多尺度特征由最后对应池化层处理后逐点相加融合。
本论文网络由九个残差块构成，每个块中有两个卷积层。整个体系结构可以根据卷积核的数量分为三个阶段，分别为16，32和64个卷积核。在普通残差网设计的基础上，对跳跃连接的设定进行改进，一个残差块中跳跃连接不仅仅存在其相应的残差块中，而是存在于整个网络中，对不同层级间的特征进行融合，如下图。

3.实验

实验结果在17年的时间点上看，分类精度较高。因为在Indian Pine数据集只取10%的训练样本。OA为98.44，AA为98.23.时间原文没有提，由于是深层网络，时间预计很大。