典型文献
利用残差生成对抗网络的高光谱图像分类
文献摘要：
针对高光谱图像分类过程中存在的标记样本需求量大和分类精度要求高等问题,提出了一种利用残差生成对抗网络(GAN)的高光谱图像分类方法.该方法以生成对抗网络为基础,使用包含上采样层和卷积层构成的8层残差网络替换生成器的反卷积层网络结构,提高数据的生成能力,使用34层残差卷积网络替换判别器的卷积层网络结构,提高特征提取能力.以Pavia University、Salinas及Indian Pines数据集为实验数据,将所提方法与GAN、CAE-SVM、2DCNN、3DCNN、ResNet进行了比较.实验结果表明,所提方法在总体分类精度、平均分类精度和Kappa系数上均有显著提高,其中总体分类精度在Indian Pines数据集上达到了 98.84％,较对比方法分别提高了 2.99个百分点、22.03个百分点、12.91个百分点、4.99个百分点、1.79个百分点.所提方法在网络中加入残差结构,增强了浅层网络与深层网络的信息交流,可提取高光谱图像的深层次特征,提高了高光谱图像分类的精度.
文献关键词：
图像处理;高光谱图像;分类;深度学习;生成对抗网络;残差结构
中图分类号：
作者姓名：
陈明;席祥雲;王洋
作者机构：
上海海洋大学信息学院,上海201306
文献出处：
引用格式：
[1]陈明;席祥雲;王洋-.利用残差生成对抗网络的高光谱图像分类)[J].激光与光电子学进展,2022(22):138-146
A类：
B类：
差生,生成对抗网络,高光谱图像分类,分类过程,标记样本,分类精度,精度要求,GAN,分类方法,上采样,采样层,卷积层,残差网络,生成器,反卷积,生成能力,残差卷积,卷积网络,判别器,特征提取能力,Pavia,University,Salinas,Indian,Pines,集为,CAE,2DCNN,3DCNN,ResNet,平均分,Kappa,上达,比方,百分点,残差结构,深层网络,信息交流,层次特征
AB值：
0.304031
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。
