• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Geoscience and Remote Sensing Symposium >Hyperspectral Classification Via Spatial Context Exploration with Multi-Scale CNN
【24h】

Hyperspectral Classification Via Spatial Context Exploration with Multi-Scale CNN

机译：多尺度CNN通过空间上下文探索进行高光谱分类

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Spatial context has shown to be very useful in hyperspectral image processing. Existing convolutional neural network (CNN)-based methods for hyperspectral classification explore spatial context by single-scale convolution kernels in 2D or 3D shapes. However, such single-scale convolution may not be capable to explore the complex spatial context in a hyperspectral image. In this paper, we propose a multi-scale CNN, MS-CNN to explore the spatial context in different extents, in which adaptive spatial neighborhood convolution kernels are used to simultaneously extract multiple spectral-spatial features from spatial context of pixels. These features obtained by different spatial kernels are then concatenated and fused for further feature extraction and classification. Experimental results show that the proposed adaptive spatial neighborhood convolution are more effective to explore spatial context than traditional single-scale spatial convolution and the performance of the proposed MS-CNN outperforms several state-of-art CNNs for classification of hyperspectral images.
机译：在高光谱图像处理中，空间上下文已显示出非常有用的功能。现有的基于卷积神经网络（CNN）的高光谱分类方法是通过2D或3D形状的单尺度卷积核探索空间上下文的。但是，这种单尺度卷积可能无法探索高光谱图像中的复杂空间环境。在本文中，我们提出了一种多尺度CNN，MS-CNN来探索不同程度的空间上下文，其中使用自适应空间邻域卷积核同时从像素的空间上下文中提取多个光谱空间特征。然后，将不同空间核获得的这些特征进行串联和融合，以进行进一步的特征提取和分类。实验结果表明，所提出的自适应空间邻域卷积比传统的单尺度空间卷积更能有效地探索空间环境，并且所提出的MS-CNN的性能优于几种先进的CNN进行高光谱图像分类。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号