摘要:针对高光谱图像分类提出了基于 3D-CNN 和 ResNet 的 3D-CNN-RES 模型。高光谱图像经过 PCA 降维处理后,通过 3D-CNN 实现对高光谱图像的空谱特征提取,然后使用 ResNet 完成对图像的快速特征提取,在充分提取高光谱图像特征的同时,降低了网络的复杂度,提高了模型的地物表达能力。最后,高光谱图像分类任务通过 ...
摘要：针对高光谱图像存在Hughes现象，以及空间和光谱特征利用效率低的问题，提出了一种结合标准分数降维和深度学习的高光谱图像分类算法。利用标准分数对高光谱数据的波段质量进行评价以剔除高光谱遥感图像中的冗余波段，结合优化过的3D-CNN（3D Convolutional Neural Network）分类方法，通过使用大步距卷积层替代池化层，...
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...
郑宗生, 刘海霞, 王振华, 卢鹏, 沈绪坤, 唐鹏飞 Improved 3D-CNN-based method for surface feature classification using hyperspectral images ZHENG Zongsheng, LIU Haixia, WANG Zhenhua, LU Peng, SHEN Xukun, TANG Pengfei 图3特征融合示意图 Fig.3Feature fusion diagram...
采用生成式对抗网络模型对原始数据进行数据增强,解决了个别样本标签少导致分类模型出现过拟合的现象;针对3D-CNN网络提取特征不全面的问题,所设计高效的3D-CNN网络模型,在网络中加入纹理信息增强模型,使网络能更好地提取图像的空谱特征.实验表明,算法在小样本数据情况下比原始网络分类精度更高,能自适应提取高光谱图像的...
挖掘高光谱遥感图像的深层和隐藏特征,导致分类方法性能较差,难以解决小样本分类问题.3D卷积神经网络(3D Convolution,3D CNN)具有优秀的深层和隐藏特征提取能力,能够深入挖掘高光谱遥感图像的空谱特征,有效推动了高光谱遥感图像分类方法的发展.面向高光谱遥感图像分类的诸多问题,本文提出了两种基于3D CNN的分类网络模型,...
3DCNN应用范围:视频分类和动作识别、医疗图像诊断、高光谱图像(HSI)分类等 1. 视频分类和动作识别 1.1《Learning Spatiotemporal Features with 3D Convolutional Networks》 2015年CVPR 这篇论文应该是3DCNN的鼻祖,对于视频数据来说,作者认为3D ConvNet非常适合于时空特征学习,这里也就是视频分析任务上。摘要:我们提出...
本文对实现高光谱图像的土地覆盖分类进行了验证。 卷积神经网络(CNN) 根据《CS231n:用于视觉识别的卷积神经网络》,卷积神经网络与普通神经网络非常相似:它们由具有可学习权值和偏差的神经元组成。每个神经元接收一些输入,执行点积并有选择地进行非线性操作(激活)。整个网络仍然表示一个单一的可微分数函数:从一端的原始...
本发明涉及高光谱遥感影像分类技术领域,特别是涉及一种基于多尺度PCA‑3D‑ CNN空谱联合的高光谱遥感影像分类方法。 背景技术 [0002] 在深度学习领域中,卷积神经网络(CNN)在对高维数据的特征选择与提取上优于 其他深度学习模型,基于卷积神经网络的方法已经在图像处理领域得到了广泛应用。在参 数初始化方面,方法由...