改进的混合2D-3D卷积神经网络高光谱图像分类研究

摘要：

卷积神经网络在进行高光谱图像分类时,往往需要设置较多的参数,因此其计算效率受到很大影响.基于混合卷积神经网络模型,本文利用全局平均池化层代替原有的全连接层,将卷积层输出的多个特征图映射为一个特征点,并将多个特征点构成一维向量,形成改进后的混合2D-3D卷积神经网络模型;最后,对改进后的模型分别在IP(Indian Pines)数据集、PU(Pavia University)数据集及Botswana数据集上进行测试.结果显示,总体分类精度分别达到99.64%、99.98%、99.91%.这表明在大量减少参数的条件下仍具有较好的分类性能.

关键词：高光谱图像分类、卷积神经网络、二维卷积、三维卷积、全局平均池化层

所属期刊栏目：30

分类号：TP391.41;TP183;TP751

在线出版日期：2023-09-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：184-192