摘要
随着深度学习的不断发展,基于深度学习的机器视觉方法被广泛应用,其中,卷积神经网络(convolutional neural network,CNN)对高光谱图像(hyperspectral imagery,HSI)分类有着显著的效果.传统卷积网络中卷积核的采样位置是固定的,不能根据HSI中复杂的空间结构而改变,忽略了数据在空间分布上的特征,为了提高高光谱图像分类在实际应用中的性能,本文提出了 一种基于可变形卷积的高光谱图像分类方法,考虑到HSI高维度的特性,将可变形卷积从2D引伸到3D,从而更好地提取3D空间上的特征.本文结合双分支双注意机制网络(double-branch dual-at-tention mechanism network,DBDA)的网络结构和 3D 可变形卷积,在 Indian Pines(IP)和 Botswana(BS)2个数据集上进行了实验.实验结果表明,本文的方法在综合精度(overall accuracy,OA)、平均精度(average accuracy,AA)、KAPPA评价标准上均获得了更好的分类准确率,相较于次优算法,OA提高了 0.15％-0.23％,AA提高了 0.21％,KAPPA提高了 0.0003-0.0014.
基金项目
国家自然科学基金(61962048)
国家自然科学基金(61562067)
中央级基本科研业务费项目(1610332020020)
NETL
NSTL
维普
万方数据