利用残差密集网络的高光谱图像分类
卷积神经网络模型能够提取图像不同层次的分层特征,提取图像包含有大量的细节信息,然而,现有方法没有充分利用网络模型提取的所有分层特征.为了充分利用所有分层特征,增强特征重利用和信息连续传递,设计了适用于高光谱图像分类的残差密集网络模型.残差密集网络结合了残差网络和密集网络,包括浅层特征提取、残差密集单元和密集特征融合三部分.利用卷积操作提取原始图像的浅层特征,将浅层特征作为残差密集单元的输入,残差密集单元的输出与下一个单元中每个卷积层的输出建立短连接,实现了信息连续传递;将两个单元提取的密集特征与浅层特征相加形成全局残差学习,实现了所有分层特征的融合,最终的融合特征用于高光谱图像分类.实验表明,本文方法用于Indian Pines数据、University of Pavia数据及Salinas数据能够分别取得98.71%、99.31%及97.91%的分类精度,有效提高了高光谱图像的分类精度,增强了分类方法的稳定性.
图像处理、高光谱图像、残差学习、密集网络、残差密集网络
56
TP751(遥感技术)
国家自然科学基金;河南省科技攻关计划
2019-09-25(万方平台首次上网日期,不代表论文的发表时间)
共9页
87-95