残差网络分层融合的高光谱地物分类

论文摘要

高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络（CNN）虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16, 32, 64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化（GAP）生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines, University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×104,当3个数据集的样本块像素分别设置为25×25, 23×23, 27×27,网络深度分别为28, 32和28时, 3个数据集的分类准确率最高,其平均总体准确率（OA）为98.75%、平均准确率（AA）的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度; Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。

论文目录

文章来源

类型: 期刊论文

作者: 张怡卓,徐苗苗,王小虎,王克奇

关键词: 高光谱图像分类,深度学习,残差网络

来源: 光谱学与光谱分析 2019年11期

年度: 2019

分类: 基础科学,信息科技

专业: 自然地理学和测绘学,计算机软件及计算机应用

单位: 东北林业大学机电工程工程学院

基金: 林业公益性行业科研专项(21504307)资助

分类号: P237;TP391.41

页码: 3501-3507

总页数: 7

文件大小: 2796K

下载量: 291

相关论文文献

• [1].基于深度学习的高光谱图像分类算法[J]. 传感器与微系统 2020(07)
• [2].基于生成对抗网络的高光谱图像分类[J]. 计算机工程与应用 2019(22)
• [3].深度学习在高光谱图像分类领域的研究现状与展望[J]. 自动化学报 2018(06)
• [4].基于高光谱图像技术的水果表面农药残留检测观察[J]. 种子科技 2017(04)
• [5].高光谱图像技术在农产品监测中的应用进展[J]. 北京农业 2016(01)
• [6].粮油中高光谱图像技术的应用现状[J]. 粮食与饲料工业 2016(09)
• [7].基于核方法协同表示的高光谱图像分类[J]. 广西大学学报(自然科学版) 2019(05)
• [8].基于快速去噪和深度信念网络的高光谱图像分类方法[J]. 桂林电子科技大学学报 2016(06)
• [9].局部保护降维与高斯混合模型的高光谱图像分类[J]. 工业仪表与自动化装置 2017(04)
• [10].高光谱图像技术在水果品质检测中的研究进展[J]. 食品研究与开发 2013(10)
• [11].高光谱图像技术在食品无损检测中的研究进展[J]. 食品工业科技 2012(15)
• [12].基于3D卷积联合注意力机制的高光谱图像分类[J]. 红外技术 2020(03)
• [13].高光谱图像分类方法研究进展[J]. 新产经 2020(04)
• [14].高光谱图像分类的研究进展[J]. 光学精密工程 2019(03)
• [15].基于空-谱加权总变分的高光谱图像混合噪声去除算法[J]. 德州学院学报 2017(04)
• [16].基于低秩结构提取的高光谱图像压缩表示[J]. 电子与信息学报 2016(05)
• [17].高光谱图像稀疏信息处理综述与展望[J]. 遥感学报 2016(05)
• [18].高光谱图像技术在水果无损检测中的研究进展[J]. 激光与红外 2013(09)
• [19].基于卷积神经网络与主动学习的高光谱图像分类[J]. 中国科学院大学学报 2020(02)
• [20].针对高光谱图像的目标分类方法现状与展望[J]. 激光与红外 2020(03)
• [21].基于鱼群算法的高光谱图像稀疏分解研究[J]. 计算机仿真 2020(01)
• [22].基于自适应主动学习与联合双边滤波的高光谱图像分类[J]. 计算机科学 2018(12)
• [23].浅谈高光谱图像融合方法[J]. 科技风 2019(16)
• [24].拉普拉斯约束低秩表示的高光谱图像异常检测[J]. 光谱学与光谱分析 2018(11)
• [25].基于焦点损失的半监督高光谱图像分类[J]. 计算机应用 2020(04)
• [26].基于空谱联合协同表征的高光谱图像分类算法[J]. 计算机工程与设计 2020(03)
• [27].基于关联规则的含噪高光谱图像分类系统[J]. 激光杂志 2018(12)
• [28].基于改进的局部保持投影高光谱图像分类研究[J]. 计算机应用研究 2017(08)
• [29].不变矩在高光谱图像空谱分类中的应用研究[J]. 小型微型计算机系统 2017(07)
• [30].基于谱聚类波段选择的高光谱图像分类[J]. 光电工程 2012(02)

标签：高光谱图像分类论文;  深度学习论文;  残差网络论文;