重庆理工大学学报2021，Vol.35Issue(11) ：126-135.DOI:10.3969/j.issn.1674-8425(z).2021.11.016

两阶段密集特征学习的高光谱图像分类方法

Hyperspectral Image Classification Based on Two Stage Dense Feature Learning

李达 刘睬瑜 韩睿 宋梅萍
重庆理工大学学报2021，Vol.35Issue(11) ：126-135.DOI:10.3969/j.issn.1674-8425(z).2021.11.016
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

两阶段密集特征学习的高光谱图像分类方法

Hyperspectral Image Classification Based on Two Stage Dense Feature Learning

李达 1刘睬瑜 2韩睿 2宋梅萍2
扫码查看

作者信息

  • 1. 南方电网综合能源股份有限公司新能源事业部,广州 510075
  • 2. 大连海事大学信息科学技术学院,辽宁大连 116026
  • 折叠

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.

关键词

高光谱/卷积神经网络/谱-空特征/训练/分类

引用本文复制引用

基金项目

国家自然科学基金(61971082)

出版年

2021
重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
参考文献量8
段落导航相关论文