發(fā)布時間：2023-03-24 03:22

　　針對高光譜圖像訓(xùn)練樣本較少、光譜維度高導(dǎo)致分類精度較低的問題,提出一種利用改進多尺度三維殘差卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法。選擇合適的卷積步長對網(wǎng)絡(luò)首層光譜降維并提取淺層特征,使用三維卷積濾波器組中最大池化層減少整體網(wǎng)絡(luò)訓(xùn)練參數(shù)量,改進多尺度濾波器組和三維殘差單元提取圖像深層局部空間-光譜聯(lián)合特征,并將其輸入Softmax函數(shù)層預(yù)測類別標(biāo)簽樣本。實驗結(jié)果表明,該方法在Indian Pines和Pavia University高光譜數(shù)據(jù)集上的總體分類精度分別為99.33%和99.83%,與SVM、SAE等方法相比,分類判別特征提取更準(zhǔn)確,具有更高的圖像分類精度。

【文章頁數(shù)】：7 頁

【文章目錄】：
0 概述
1 M3RCNN框架
    1.1 三維卷積濾波器塊
    1.2 多尺度三維濾波器組
    1.3 三維殘差單元
    1.4 M3RCNN結(jié)構(gòu)
2 實驗數(shù)據(jù)集
3 實驗結(jié)果與分析
    3.1 網(wǎng)絡(luò)參數(shù)
        3.1.1 三維卷積濾波器塊有效性
        3.1.2 多尺度濾波器組有效性
        3.1.3 殘差單元有效性
        3.1.4 首層卷積光譜采樣步長對網(wǎng)絡(luò)模型的影響
        3.1.5 相鄰像素塊尺寸對網(wǎng)絡(luò)模型的影響
    3.2 對比實驗分析
        3.2.1 Indian Pines數(shù)據(jù)集實驗
        3.2.2 Pavia University數(shù)據(jù)集實驗
4 結(jié)束語



本文編號：3769341