摘要
为了解决简单卷积神经网络(convolutional neural network,CNN)不能有效提取与充分利用高光谱图像特征信息的问题,提出了一种基于残差网络的多层特征匹配生成对抗网络模型.提出的模型引入残差网络以挖掘高光谱图像的深层特征,生成可分性更高的高光谱图像,并通过一个特征融合层进行特征融合,充分利用网络的各层特征.提出的算法在Indian Pines、Pavia Uni-versity和Salinas数据集上的分类精度分别达到了97.6％,99.3％,99.1％,与径向基函数支持向量机(radial basis function-support vector machine,RBF-SVM)、堆叠自动编码器(stacked autoencoder,SAE)、深度置信网络(deep belief network,DBN)、PPF-CNN (CNN based on pixel-pair feature)、CNN和三维卷积网络(three-dimensional convolutional neural network,3D-CNN)方法相比较,其分类精度具有明显的提高.实验结果表明,提出的方法是一种有效的高光谱图像分类方法.
NETL
NSTL
维普
万方数据