基于深度可分离卷积的轻量化残差网络高光谱影像分类

针对传统深度残差网络在对高光谱图像进行特征提取和分类过程中因参数量大导致的训练时间长的问题，提出一种基于深度可分离卷积的轻量化残差网络模型（DSC-Res14）。该模型首先基于一层三维卷积层对经主成分分析方法降维后的高光谱影像进行光谱特征和空间特征初提取；其次，引入3个不同尺度的三维深度可分离卷积残差层对影像的深层语义特征进行提取，减少了网络训练参数量，增强了网络对高维、多尺度空间特征信息的表达能力。经在公开的Indian Pines和Pavia University标准数据集上进行实验验证，结果表明：所提模型在两个数据集上的分类精度分别为99.46%和99.65%；对比同类模型，所提模型在保证较高分类精度的同时，参数量和计算量小，训练时间短，并具有良好的鲁棒性。