10.19678/j.issn.1000-3428.0056791
一种改进多尺度三维残差网络的高光谱图像分类方法
针对高光谱图像训练样本较少、光谱维度高导致分类精度较低的问题,提出一种利用改进多尺度三维残差卷积神经网络的高光谱图像分类方法.选择合适的卷积步长对网络首层光谱降维并提取浅层特征,使用三维卷积滤波器组中最大池化层减少整体网络训练参数量,改进多尺度滤波器组和三维残差单元提取图像深层局部空间-光谱联合特征,并将其输入Softmax函数层预测类别标签样本.实验结果表明,该方法在Indian Pines和Pavia University高光谱数据集上的总体分类精度分别为99.33%和99.83%,与SVM、SAE等方法相比,分类判别特征提取更准确,具有更高的图像分类精度.
三维卷积块、卷积神经网络、高光谱图像、多尺度滤波器、残差单元
46
TP391(计算技术、计算机技术)
国家自然科学基金;秦皇岛科技局项目
2021-02-04(万方平台首次上网日期,不代表论文的发表时间)
共7页
215-221