摘要
特征提取是高光谱数据处理领域的一个重要研究内容.高光谱数据获取过程中的复杂性使传统的特征提取方法无法良好地处理高光谱图像.同时,高光谱图像标记样本数量的有限性,也为常用于特征提取的监督深度学习方法带来不利影响.为了摆脱对高光谱图像中标记样本的依赖,在卷积神经网络的基础上引入生成对抗网络,针对光谱特征提出了一种无监督的高光谱图像特征提取的方法.为了稳定网络的训练过程,提高生成对抗网络中判别器的特征表示能力,在目标函数中引入梯度惩罚项,将判别器的性能不断逼向最优.在特征提取阶段,针对高光谱图像的光谱结构,提出了一种通道最大池化方法,能够在降低数据维度的同时尽可能保留高光谱图像的光谱信息.使用支持向量机(support vector machines,SVM)和k近邻(k-hearest neighbor,KNN)方法对提取到的特征进行分类测试.在两个真实数据集上的实验结果表明,提出的方法优于传统的特征提取方法.
NETL
NSTL
维普
万方数据