3D-CNN-RES 网络结构如图 1 所示,主要由 4 部分组成,分别为 PCA 降维、3D-CNN 图像特征提取、ResNet 网络特征提取和 Softmax 分类。 1.1 PCA 主成分分析方法(PCA,Principal Component Analy?sis),作为一种数据降维算法在各领域都有应用。高光谱图像的波段范围广,其波段通常高达数百个,这使得高光谱图像容易产生...
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，...
edu. cn Tel/Fax :十 86-025-84892742基于改进的 3D-CNN 的高光谱遥感图像地物分类谢幸雨 1 ,贺辉 1 邢海花 3( 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 )摘要 : 高...
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,...
本发明涉及一种基于3DCNN的高光谱图像空谱联合分类方法,针对高光谱图像数据为三维结构的特点,构建适用于高光谱图像的三维卷积网络完成高光谱图像空谱联合分类。首先,从原始高光谱图像中,提取以待分类像元为中心的一定邻域范围内数据块作为初始空谱特征,并结合待分类像元的标签训练构建好的3DCNN网络。然后,利用经过训练的...
Improved 3D-CNN-based method for surface feature classification using hyperspectral images 在线阅读 下载PDF 引用 收藏 分享 摘要 高光谱图像具有数据量大、波段多和波段间相关性强等特性,传统高光谱分类方法通常单独考虑光谱和空间信息,特征提取不充分,忽略了图像纹理构造和重要光谱信息。针对这些问题,提出一种基于...
Improved 3D-CNN-based method for surface feature classification using hyperspectral images ZHENG Zongsheng ,,LIU Haixia ,,WANG Zhenhua,LU Peng,SHEN Xukun,TANG Pengfei Department of Information, Shanghai Ocean University, Shanghai 201306, China