双卷积池化结构的3D-CNN高光谱遥感影像分类方法

摘要：

目的 高光谱遥感影像数据包含丰富的空间和光谱信息,但由于信号的高维特性、信息冗余、多种不确定性和地表覆盖的同物异谱及同谱异物现象,导致高光谱数据结构呈高度非线性.3D-CNN (3D convolutional neural network)能够利用高光谱遥感影像数据立方体的特性,实现光谱和空间信息融合,提取影像分类中重要的有判别力的特征.为此,提出了基于双卷积池化结构的3D-CNN高光谱遥感影像分类方法.方法 双卷积池化结构包括两个卷积层、两个BN(batch normalization)层和一个池化层,既考虑到高光谱遥感影像标签数据缺乏的问题,也考虑到高光谱影像高维特性和模型深度之间的平衡问题,模型充分利用空谱联合提供的语义信息,有利于提取小样本和高维特性的高光谱影像特征.基于双卷积池化结构的3D-CNN网络将没有经过特征处理的3D遥感影像作为输入数据,产生的深度学习分类器模型以端到端的方式训练,不需要做复杂的预处理,此外模型使用了BN和Dropout等正则化策略以避免过拟合现象.结果 实验对比了SVM(support vector machine)、SAE(stack autoencoder)以及目前主流的CNN方法,该模型在Indian Pines和Pavia University数据集上最高分别取得了99.65％和99.82％的总体分类精度,有效提高了高光谱遥感影像地物分类精度.结论 讨论了双卷积池化结构的数目、正则化策略、高光谱首层卷积的光谱采样步长、卷积核大小、相邻像素块大小和学习率等6个因素对实验结果的影响,本文提出的双卷积池化结构可以根据数据集特点进行组合复用,与其他深度学习模型相比,需要更少的参数,计算效率更高.

关键词：3D-CNN、双卷积池化结构、空谱联合特征、高光谱影像分类、正则化策略

所属期刊栏目：24

分类号：TP237(自动化技术及设备)

资助基金：国家自然科学基金项目41401451,41671456,41671393

在线出版日期：2019-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：639-654