基于生成对抗网络的高光谱图像分类

摘要：

为了解决简单卷积神经网络(convolutional neural network,CNN)不能有效提取与充分利用高光谱图像特征信息的问题,提出了一种基于残差网络的多层特征匹配生成对抗网络模型.提出的模型引入残差网络以挖掘高光谱图像的深层特征,生成可分性更高的高光谱图像,并通过一个特征融合层进行特征融合,充分利用网络的各层特征.提出的算法在Indian Pines、Pavia Uni-versity和Salinas数据集上的分类精度分别达到了97.6％,99.3％,99.1％,与径向基函数支持向量机(radial basis function-support vector machine,RBF-SVM)、堆叠自动编码器(stacked autoencoder,SAE)、深度置信网络(deep belief network,DBN)、PPF-CNN (CNN based on pixel-pair feature)、CNN和三维卷积网络(three-dimensional convolutional neural network,3D-CNN)方法相比较,其分类精度具有明显的提高.实验结果表明,提出的方法是一种有效的高光谱图像分类方法.

关键词：生成对抗网络;残差网络;高光谱图像;分类

所属期刊栏目：32

分类号：TP391.9(计算技术、计算机技术)

资助基金：甘肃省科技计划项目18JR3RA097

在线出版日期：2022-03-07（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：1285-1292