首页> 中文期刊> 《重庆理工大学学报》 >两阶段密集特征学习的高光谱图像分类方法

两阶段密集特征学习的高光谱图像分类方法

         

摘要

基于卷积神经网络(CNN)的高光谱图像分类方法不断取得进展,而谱-空特征的高复杂性及低效描述仍是抑制高光谱分类精度提升的主要屏障。针对该问题,提出了一种基于密集型(Dense)谱-空特征挖掘的两阶段集成高光谱图像分类学习框架,在第一阶段进行显著波段选择,分别构建2D及3D Dense深层网络以提升高光谱数据的空间与谱间特征表达能力,在第二阶段构建分类CNN网络将融合之后的谱-空特征进一步挖掘,以提高分类特征的精细化程度。整个集成学习网络基于交叉熵损失函数进行训练学习,同时利用全连接网络构建了一种基于波段相关性的显著性波段选择方法以降低训练过程中的谱-空数据复杂度。在Purdue和KSC数据集上的实验结果表明:此方法对比其他方法的分类精度有较大提升。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 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