论文摘要
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.
论文目录
文章来源
类型: 期刊论文
作者: 郭文慧,曹飞龙
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
来源: 模式识别与人工智能 2019年10期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 工业通用技术及设备,自动化技术
单位: 中国计量大学理学院应用数学系
基金: 国家自然科学基金项目(No.61672477)资助~~
分类号: TP751;TP18
DOI: 10.16451/j.cnki.issn1003-6059.201910002
页码: 882-891
总页数: 10
文件大小: 2173K
下载量: 210