典型文献
小样本下基于空谱特征增强的高光谱图像分类
文献摘要：
针对小样本下基于深度学习的高光谱图像分类方法精度不高的问题,本文提出一种基于空谱特征增强残差网络的高光谱图像分类方法.该方法利用三维卷积核同时提取高光谱图像的空间和光谱特征.同时,在普通三维卷积神经网络结构前加入空间和光谱特征增强的残差网络模块,通过恒等映射保留高光谱原始信息的同时用较少的参数增强网络的信息流,并且在构造更深层网络的同时避免了梯度消失的问题.实验表明:本文方法能充分利用高光谱图像的空间和光谱特征,在印第安纳森林数据集、帕维亚大学数据集上分别能够取得99.29％、99.74％的总体分类精确度,提高了小样本下的分类精度.
文献关键词：
遥感;高光谱;分类;小样本;深度学习;卷积神经网络;残差学习;特征提取
中图分类号：
作者姓名：
陆瑶;王立国;石瑶
作者机构：
哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150001;大连民族大学信息与通信工程学院,辽宁大连116600
文献出处：
引用格式：
[1]陆瑶;王立国;石瑶-.小样本下基于空谱特征增强的高光谱图像分类)[J].哈尔滨工程大学学报,2022(03):436-443
A类：
帕维亚
B类：
小样本,空谱特征,特征增强,高光谱图像分类,分类方法,法利,卷积核,同时提取,光谱特征,三维卷积神经网络,神经网络结构,残差网络模块,恒等映射,信息流,深层网络,梯度消失,印第安纳,亚大,分类精度,残差学习
AB值：
0.214654
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。
