基于3D多尺度特征融合残差网络的高光谱图像分类

• 作者: 曹飞龙 郭文慧
• 来源期刊: 模式识别与人工智能
• 学科: 工学
• 关键词: 深度学习 多尺度特征融合 特征提取 高光谱图像分类
• 年，卷（期）: 2019,（10）
• 所属期刊栏目: 论文与报告
• 页码范围: 882-891
• 页数: 10页
• 分类号: TN911.71|TP183
• 字数: 5112字
• 语种: 中文
• DOI: 10.16451/j.cnki.issn1003-6059.201910002

摘要

深度学习中用于训练的高光谱图像(HSI)数据十分有限,因此较深的网络不利于空谱特征的提取.为了缓解该问题,文中提出3D多尺度特征融合残差网络,利用深度学习和多尺度特征融合的方式对光谱-空间特征进行有序的学习.首先对3D-HSI数据进行自适应降维,将降维后的图像作为网络输入.然后,通过多尺度特征融合残差块依次提取光谱-空间特征,融合不同尺度的特征,通过特征共享增强信息流,获得更丰富的特征.最后以端到端的方式训练网络.在相关数据集上的测试表明,文中网络具有良好的分类性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	曹飞龙	中国计量大学理学院应用数学系	62	241	8.0	12.0
2	郭文慧	中国计量大学理学院应用数学系	1	0	0.0	0.0