分解式三维卷积神经网络的高光谱遥感影像分类

摘要：

针对三维卷积神经网络(3D-CNN)计算成本过大,训练、测试时间较长的问题,该文提出了一种分解式三维卷积神经网络(Dec-3D-CNN).通过将一步三维卷积运算拆分成三步更简单的卷积运算来降低计算成本,并且结合批量标准化(BN)的方法共同设计神经网络结构.在加速网络训练的同时减少梯度弥散的情况.通过Pavia University数据集进行分类实验,Dec-3D-CNN在总体分类精度达到95.93％的情况下,训练时间仅为3D-CNN的16％,测试时间仅为3D-CNN的46％.实验结果表明,Dec-3D-CNN在保持高精度的情况下,能够大幅度的节省训练时间,降低计算成本.

关键词：高光谱遥感影像分类、三维卷积、批量标准化、支持向量机、K-最近邻分类

所属期刊栏目：45

分类号：P237(摄影测量学与测绘遥感)

资助基金：自然资源部城市国土资源监测与仿真重点实验室开放基金资助课题项目;战略火箭创新基金项目

在线出版日期：2020-09-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：96-102,129