结合倒置特征金字塔和U-Net的高光谱图像分类
目的 地物分类是对地观测研究领域的重要任务.高光谱图像具有丰富的地物光谱信息,可用于提升遥感图像地物分类的准确度.如何对高光谱图像进行有效的特征提取与表示是高光谱图像分类应用的关键问题.为此,本文提出了一种结合倒置特征金字塔和U-Net的高光谱图像分类方法.方法 对高光谱数据进行主成分分析(principal component analysis,PCA)降维,获取作为网络输入的重构图像数据,然后使用U-Net逐层提取高光谱重构图像的空间特征.与此同时,利用倒置的特征金字塔网络抽取相应层级的语义特征;通过特征融合,得到既有丰富的空间信息又有较强烈的语义响应的特征表示.提出的网络利用注意力机制在跳跃连接过程中实现对背景区域的特征响应抑制,最终实现了较高的地物分类精度.结果 分析了PCA降维方法和输入数据尺寸对分类性能的影响,并在Indian Pines、Pavia University、Salinas和Urban数据集上进行了对比实验.本文方法在4个数据集上分别取得了98.91％、99.85％、99.99％和87.43％的总体分类精度,与支持向量机(support vector machine,SVM)等相关算法相比,分类精度高出1％～15％.结论 本文提出一种结合倒置特征金字塔和U-Net的高光谱图像分类方法,可以应用于有限训练样本下的高光谱图像分类任务,并在多个数据集上取得了较高的分类精度.实验结果表明倒置特征金字塔结构与U-Net结合的算法能够高效地实现高光谱图像的特征提取与表示,从而获得更精细的分类结果.
高光谱图像分类;稀少样本;倒置特征金字塔网络(IFPN);U-Net;特征融合
26
TP391(计算技术、计算机技术)
国家重点研发计划项目;国家自然科学基金项目;上海青年科技英才扬帆计划项目;上海市多维度信息处理重点实验室开放课题基金资助项目;中央高校基本科研业务费专项资金资助
2021-09-02（万方平台首次上网日期，不代表论文的发表时间）
共15页
1994-2008
