典型文献
基于卷积核哈希学习的高光谱图像分类
文献摘要：
高光谱遥感可同步获取地表覆盖空间影像和连续且精细的光谱数据,能够实现对地物的精细分类与识别.然而,高光谱图像的高维特性对分类带来巨大挑战.为此,本文探讨了一种基于卷积核哈希学习的高光谱图像分类方法.哈希学习可以将高维信息表达为低维哈希编码,通过计算哈希编码内积并借助最小汉明距离实现分类.为了有效表达非线性数据,又发展了核哈希学习方法.然而,直接应用核哈希学习进行高光谱图像分类存在运行速度慢和未考虑空间邻域信息的不足.为此,本文在核哈希学习中引入径向基函数RBF(Radial Basis Function)作为损失函数以提高运行效率;同时,借助四维卷积操作充分表达空间邻域信息,提出了基于卷积核哈希学习的高光谱图像分类方法CKSH(Supervised Hashing with RBF Kernel and Convolution),同时探讨了该方法在仅利用光谱特征和光谱—空间联合特征上的分类效果.在国际通用测试数据Indian Pines和University of Pavia上进行了实验,结果表明:本文提出的CKSH方法优于传统分类方法(支持向量机、随机子空间)和其他哈希学习方法(如谱哈希、球哈希、监督离散哈希、潜在因子哈希等),同时在不同训练样本数量条件下均取得了较高的分类精度,达到96.12％(Indian Pines,10％的训练样本)和98.00％(University of Pavia,5％的训练样本),从而验证了该方法的有效性.
文献关键词：
遥感;高光谱图像;哈希学习;RBF;四维卷积;特征提取;光谱—空间分类
中图分类号：
作者姓名：
薛朝辉;张瑜娟
作者机构：
河海大学地球科学与工程学院,南京211100
文献出处：
引用格式：
[1]薛朝辉;张瑜娟-.基于卷积核哈希学习的高光谱图像分类)[J].遥感学报,2022(04):722-738
A类：
最小汉明距离,四维卷积,CKSH
B类：
卷积核,哈希学习,高光谱图像分类,高光谱遥感,同步获取,地表覆盖,光谱数据,地物,精细分类,高维,维特,分类方法,信息表达,低维,内积,有效表达,接应,类存在,运行速度,速度慢,空间邻域,邻域信息,径向基函数,RBF,Radial,Basis,Function,损失函数,提高运行效率,卷积操作,Supervised,Hashing,Kernel,Convolution,利用光,光谱特征,联合特征,分类效果,通用测试,测试数据,Indian,Pines,University,Pavia,随机子空间,潜在因子,训练样本,样本数量,分类精度
AB值：
0.281356
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。
