avatar avatar 我的文献 基于双通道空洞卷积神经网络的高光谱图像分类 单位 燕山大学理学院; 燕山大学电气工程学院; 燕山大学机械学院; 北京空间机电研究所 期刊 激光与光电子学进展 时间 关键词 遥感; 高光谱图像分类; 深度学习; 空洞卷积; 特征融合
摘要
深度学习因为具有强大的特征提取和目标分类能力而被广泛应用于高光谱图像分类领域,但是一些基于深度学习的高光谱图像分类方法中存在图像信息丢失问题。本文受空洞卷积在保持图像信息方面优秀性能的启发,为进一步提高分类精度,提出了一种基于双通道空洞卷积神经网络(DCD-CNN)的高光谱图像分类深度学习框架。空洞卷积可以扩展滤波器的接收域,有效地避免图像信息的丢失,从而提高分类精度。在该框架中,分别采用含有空洞卷积的一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)提取高光谱图像的光谱和空间特征。然后,采用加权融合方法对提取的空间特征和光谱特征进行融合。最后将融合后的特征输入支持向量机进行最终分类。通过对两个常用的高光谱图像数据集进行试验并与现有的四种传统和已存在的基于深度学习的分类方法进行比较,结果表明,所提出的框架具有更好的分类性能。
下载 浏览 cnki {{liketext}}
©2020 - iData {{ message }} 关闭