查看更多>>摘要:针对传统遥感图像处理中的时间成本和人工成本高、效率低等问题,以提高遥感高光谱图像分类中的处理速度、精度,降低参数量为目标,提出改进的2DCNN模型En-De-2CP-2DCNN.首先,使用1DCNN、2DCNN与3DCNN在Pavia University HSI数据集上分别进行分类实验,对比分析各自优缺点.其次,在保持较快的处理速度和不增加模型参数量的前提下,选择2DCNN为基础模型,参考SegNet的Encoder-Decoder结构,融入双卷积池化思想进行基础模型改进,同时优化学习策略.结果表明:En-De-2CP-2DCNN模型F1为99.96%,达到3DCNN的同等水平(99.36%),较改进前(97.28%)提高2.68个百分点;处理速度(5s/epoch)和1DCNN位于同一量级,快于3DCNN(96s/epoch);参数量(2.01MB)较改进前降低了1.54MB,虽高于3DCNN(316KB),但远低于1DCNN(19.21MB).En-De-2CP-2DCNN模型在处理速度和参数量方面的改进,有利于进一步实现移动端的轻量化部署.