提出了一種融合多層特征SENet和多尺度寬殘差的高光譜圖像地物分類的方法。實驗選取Indian Pines和Pavia University為研究對象,結(jié)果表明,SEInception-Resnet-MSWideResnet (SEIR-MSWR)網(wǎng)絡(luò)結(jié)構(gòu)的總體分類精度為99.33%、99.52%,Kappa系數(shù)為0.98時,分類效果最優(yōu),相較于支持向量機(Support Vector Machine,SVM)、K最近鄰法(K-NearestNeighbor,KNN),寬殘差網(wǎng)絡(luò)(Wide Resnet Network,WRN)以及InceptionV2-Resnet,總體分類精度分別提高了20.86%、20.09%、5.48%、3.39%、23.1%、16.89%、6.66%、2.58%,Kappa系數(shù)分別提高了0.18、0.17、0.06、0.04、0.22、0.17、0.07、0.03,均表現(xiàn)出良好的性能。該方法更好地提取了高光譜圖像的本質(zhì)特征,進(jìn)而提高了高光譜圖像地物的分類精度。

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)
    1.1 多層特征SENet網(wǎng)絡(luò)模型
        1.1.1 SENet結(jié)構(gòu)
        1.1.2 構(gòu)建多層特征SENet網(wǎng)絡(luò)模型
    1.2 多尺度寬殘差網(wǎng)絡(luò)
        1.2.1 寬殘差網(wǎng)絡(luò)
        1.2.2 多尺度寬殘差網(wǎng)絡(luò)
2 實驗結(jié)果和分析
    2.1 實驗數(shù)據(jù)集
    2.2 數(shù)據(jù)預(yù)處理
    2.3 對比算法和評價指標(biāo)
    2.4 實驗結(jié)果分析
3 結(jié)語



本文編號：3788073