典型文献
基于3D金字塔残差网络的高光谱图像分类方法
文献摘要：
鉴于提取高光谱图像深层次特征时,深度学习网络面临的网络层数加深、特征图数量增多、计算量增大、梯度消失等问题,提出了一种3D金字塔残差卷积神经网络,通过将3D卷积块引入金字塔残差模型中,实现了高光谱图像空谱特征的同时提取,并利用金字塔残差网络逐级增加特征图维度,大大降低了模型的参数量.Pavia University和Salinas数据集测试结果显示,该方法分别取得了99.936％和99.879％的总体分类精度,分类效果优于SVM、3D-CNN、ResNet18等3D卷积模型,且网络参数仅为ResNet18等模型的1％.可见,该方法达到了网络参数和图像分类精度的双优表现,是一种有效的高光谱遥感影像分类方法.
文献关键词：
高光谱图像分类;深度学习;小样本;特征提取;3D金字塔残差网络模型
中图分类号：
作者姓名：
李明天;佘海龙;张衍爽;徐人杰;邹静洁;解山娟
作者机构：
杭州师范大学遥感与地球科学研究院,浙江 杭州 311121;浙江工商大学杭州商学院,浙江 杭州 311599;浙江省城市湿地与区域变化研究重点实验室,浙江 杭州 311121
文献出处：
引用格式：
[1]李明天;佘海龙;张衍爽;徐人杰;邹静洁;解山娟-.基于3D金字塔残差网络的高光谱图像分类方法)[J].杭州师范大学学报（自然科学版）,2022(06):664-672
A类：
B类：
金字塔,高光谱图像分类,分类方法,层次特征,深度学习网络,网络层,层数,特征图,计算量,梯度消失,残差卷积神经网络,残差模型,空谱特征,同时提取,逐级,加特,大大降低,参数量,Pavia,University,Salinas,分类精度,分类效果,ResNet18,网络参数,和图像,双优,高光谱遥感影像,遥感影像分类,小样本,残差网络模型
AB值：
0.321528
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
