典型文献
光谱可形变卷积驱动的高光谱图像分类
文献摘要：
基于卷积神经网络的高光谱图像分类是当前的研究热点,先后发展了空洞卷积、可形变卷积等先进模型.然而,现有可形变卷积只在空间维偏移,忽略了高光谱图像光谱之间的差异信息.为此,本文将可形变卷积从空间维扩展到光谱维,设计了光谱可形变卷积,提出了光谱可形变卷积网络SDCNN(Spectral Deformable Convolutional Neural Network).首先,利用全连接层学习光谱可形变卷积的偏移量,采用线性差值对图像光谱维进行特征校准;其次,采用多层1×1卷积进行光谱维特征聚合;最后,使用三维卷积层提取光谱—空间联合特征.不同于空间可形变卷积,光谱可形变卷积只在光谱维上进行偏移,可以为不同类别选择更合适的特征波段,提升模型的判别性.在国际通用测试数据Indian Pines、University of Pavia以及University of Houston上进行了实验,结果表明:本文提出的SDCNN方法优于其他深度学习方法,在相同样本条件下取得了更高的分类精度,总体精度达到了98.86％(Indian Pines,10％/类)、99.81％(University of Pavia,5％/类)以及97.41％(University of Houston,50个/类),验证了该方法的有效性.
文献关键词：
深度学习;高光谱图像分类;卷积神经网络;可形变卷积
中图分类号：
作者姓名：
薛朝辉;李博
作者机构：
河海大学 地球科学与工程学院,南京 211100;河海大学 江苏省水资源环境遥感监测评估工程研究中心,南京 211100
文献出处：
引用格式：
[1]薛朝辉;李博-.光谱可形变卷积驱动的高光谱图像分类)[J].遥感学报,2022(10):2014-2028
A类：
SDCNN
B类：
可形变卷积,高光谱图像分类,空洞卷积,卷积网络,Spectral,Deformable,Convolutional,Neural,Network,全连接层,偏移量,维特,特征聚合,三维卷积,卷积层,联合特征,更合,特征波段,判别性,通用测试,测试数据,Indian,Pines,University,Pavia,Houston,深度学习方法,样本条件,分类精度,总体精度
AB值：
0.231911
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
