快速3D-CNN结合深度可分离卷积对高光谱图像分类

摘要：

针对卷积神经网络在高光谱图像特征提取和分类的过程中,存在空谱特征提取不充分以及网络层数太多引起的参数量大、计算复杂的问题,提出快速三维卷积神经网络(3D-CNN)结合深度可分离卷积(DSC)的轻量型卷积模型.该方法首先利用增量主成分分析(IPCA)对输入的数据进行降维预处理;其次将输入模型的像素分割成小的重叠的三维小卷积块,在分割的小块上基于中心像素形成地面标签,利用三维核函数进行卷积处理,形成连续的三维特征图,保留空谱特征.用3D-CNN同时提取空谱特征,然后在三维卷积中加入深度可分离卷积对空间特征再次提取,丰富空谱特征的同时减少参数量,从而减少计算时间,分类精度也有所提高.所提模型在Indian Pines、Salinas Scene和University of Pavia公开数据集上验证,并且同其他经典的分类方法进行比较.实验结果表明,该方法不仅能大幅度节省可学习的参数,降低模型复杂度,而且表现出较好的分类性能,其中总体精度(OA)、平均分类精度(AA)和Kappa系数均可达99％以上.

关键词：高光谱图像分类、空谱特征提取、三维卷积神经网络(3D-CNN)、深度可分离卷积(DSC)、深度学习

所属期刊栏目：16

分类号：TP751.1(遥感技术)

资助基金：国家自然科学基金;甘肃省重点研发计划

在线出版日期：2022-12-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2860-2869