| 基于改进的3D-CNN的高光谱遥感图像地物分类 |
| |
| 引用本文： | 谢幸雨,贺辉,邢海花.基于改进的3D-CNN的高光谱遥感图像地物分类[J].数据采集与处理,2021,36(1):156-163. |
| |
| 作者姓名： | 谢幸雨 贺辉 邢海花 |
| |
| 作者单位： | 1.北京师范大学珠海校区自然科学高等研究院，珠海 519087;2.北京师范大学智能工程与教育应用研究中心，珠海 519087;3.海南师范大学信息科学技术学院，海口 571158 |
| |
| 基金项目： | 海南省基础与应用基础研究计划（自然科学领域）高层次人才计划（2019RC182）资助项目。 |
| |
| 摘 要： | 高光谱遥感影像波段众多，包含丰富的辐射、空间和光谱信息，是多种信息的综合载体，应用广泛。但是传统的高光谱影像地物分类方法多着重于光谱维度的特征提取，却忽略了空间维度上的特征，进而影响了分类的准确性。三维卷积神经网络（Three-dimensional convolutional neural network， 3D-CNN）可以同时在3个维度上对数据进行卷积处理，故本文采用3D-CNN深度网络进行高光谱影像地物分类，并针对3D-CNN网络存在的问题，提出了一种基于改进的3D-CNN的高光谱遥感影像地物分类方法。本文方法对提取到的空间和光谱特征实现融合复用，尽可能发挥特征的价值。此外，本文引入浅层特征细节保存网络的思想，提出一种综合浅层特征细节保存的影像分类深度网络模型，进一步提高了高光谱影像地物分类的准确度。在Tensorflow框架下对2个常用的高光谱遥感影像数据集（Indian Pines和Pavia University）的实验结果表明，相比基础的3D-CNN网络，本文方法的分类精度提高了近2%，而且类别边界更准确。
|
| 关 键 词： | 高光谱图像分类 三维卷积神经网络 特征融合浅层 特征细节保存 |
| 收稿时间： | 2020/7/10 0:00:00 |
| 修稿时间： | 2020/9/30 0:00:00 |
Hyperspectral Remote Sensing Land-Cover Classification Based on Improved 3D-CNN |
| |
| XIE Xingyu,HE Hui,XING Haihua.Hyperspectral Remote Sensing Land-Cover Classification Based on Improved 3D-CNN[J].Journal of Data Acquisition & Processing,2021,36(1):156-163. |
| |
| Authors: | XIE Xingyu HE Hui XING Haihua |
| |
| Affiliation: | 1.Advanced Institute of Natural Sciences, Beijing Normal University, Zhuhai 519087, China;2.Research Center for Intelligent Engineering and Educational Application, Beijing Normal University, Zhuhai 519087, China;3.School of Information Science and Technology, Hainan Normal University, Haikou 571158, China |
| |
| Abstract: | |
| |
| Keywords: | hyperspectral remote sensing land-cover classification 3D-CNN network feature fusion feature details preservation |
|
| 点击此处可从《数据采集与处理》浏览原始摘要信息 |
|
点击此处可从《数据采集与处理》下载全文 |
