...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Transactions on Geoscience and Remote Sensing >Hyperspectral Image Classification With Squeeze Multibias Network
【24h】

Hyperspectral Image Classification With Squeeze Multibias Network

机译：利用Squeeze Multibias网络进行高光谱图像分类

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

A convolutional neural network (CNN) has recently demonstrated its outstanding capability for the classification of hyperspectral images (HSIs). Typical CNN-based methods usually adopt image patches as inputs to the network. However, a fixed-size image patch in HSI with complex spatial contexts may contain multiple ground objects of different classes, which will deteriorate the classification performance of the CNN. In addition, traditional convolutional layers adopted in the CNN have a huge amount of parameters needed to be tuned, which will cause high computational cost. To address the above-mentioned issues, a novel squeeze multibias network (SMBN) is proposed for HSI classification. Specifically, the proposed SMBN first introduces the multibias module (MBM), which incorporates multibias into the rectified linear unit layers. The MBM can decouple the feature maps of input patches into multiple response maps (corresponding to different ground objects) and adaptively select the meaningful maps for classification. Furthermore, the proposed SMBN replaces the traditional convolutional layer with a squeeze convolution module, which can greatly reduce the number of parameters in the network, thus saving the running time, while still maintaining high classification accuracy. Experimental results on three real HSIs demonstrate the superiority of the proposed SMBN method over several state-of-the-art classification approaches.
机译：卷积神经网络（CNN）最近展示了其对高光谱图像（HSI）进行分类的出色能力。典型的基于CNN的方法通常采用图像补丁作为网络的输入。但是，HSI中具有复杂空间上下文的固定大小的图像块可能包含多个不同类别的地面对象，这将使CNN的分类性能恶化。另外，CNN中采用的传统卷积层具有大量需要调整的参数，这将导致较高的计算成本。为了解决上述问题，提出了一种用于HSI分类的新型挤压多偏置网络（SMBN）。具体而言，提出的SMBN首先引入了多偏置模块（MBM），该模块将多偏置合并到整流后的线性单位层中。 MBM可以将输入贴片的特征图解耦为多个响应图（对应于不同的地面对象），并自适应地选择有意义的图进行分类。此外，所提出的SMBN用压缩卷积模块代替了传统的卷积层，可以大大减少网络中的参数数量，从而节省了运行时间，同时仍保持了较高的分类精度。在三个真实HSI上的实验结果表明，所提出的SMBN方法优于几种最新的分类方法。

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