10.3778/j.issn.1002-8331.2001-0150
标准分数降维的3D-CNN高光谱遥感图像分类
针对高光谱图像存在Hughes现象,以及空间和光谱特征利用效率低的问题,提出了一种结合标准分数降维和深度学习的高光谱图像分类算法.利用标准分数对高光谱数据的波段质量进行评价以剔除高光谱遥感图像中的冗余波段,结合优化过的3D-CNN(3D Convolutional Neural Network)分类方法,通过使用大步距卷积层替代池化层,引入L2正则化、批量归一化(Batch Normalization,BN)、Dropout等一系列策略,在减少网络参数的同时有效防止过拟合现象.通过Pavia Centre和Pavia University两个公开高光谱数据集的实验测试,该算法大幅度降低了网络模型的参数和计算量,取得了99.01%和95.99%的分类精度.
卷积神经网络、深度学习、标准分数、高光谱遥感图像、分类
57
TP701(遥感技术)
国家自然科学基金61701153
2021-03-02(万方平台首次上网日期,不代表论文的发表时间)
共7页
169-175