高光谱影像分类的深度少样例学习方法

摘要：

针对高光谱影像分类面临的小样本问题,提出了一种深度少样例学习算法,该算法在训练过程中通过模拟小样本分类的情况来训练深度三维卷积神经网络提取特征,其提取得到的特征具有较小类内间距和较大的类间间距,更适合小样本分类问题,且能用于不同的高光谱数据,具有更好的泛化能力.利用训练好的模型提取目标数据集的特征,然后结合最近邻分类器和支持向量机分类器进行监督分类.利用Pavi a大学、Indi an Pines和Salinas 3组高光谱影像数据进行分类试验,试验结果表明,该算法能够在训练样本较少的情况下(每类地物仅选取5个标记样本作为训练样本)取得优于传统半监督分类方法的分类精度.

关键词：高光谱影像分类、深度少样例学习、深度三维卷积网络、最近邻分类

所属期刊栏目：49

分类号：P237(摄影测量学与测绘遥感)

资助基金：国家自然科学基金41801388

在线出版日期：2020-11-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1331-1342