典型文献
一种基于可变形卷积的高光谱图像分类算法
文献摘要：
随着深度学习的不断发展,基于深度学习的机器视觉方法被广泛应用,其中,卷积神经网络(convolutional neural network,CNN)对高光谱图像(hyperspectral imagery,HSI)分类有着显著的效果.传统卷积网络中卷积核的采样位置是固定的,不能根据HSI中复杂的空间结构而改变,忽略了数据在空间分布上的特征,为了提高高光谱图像分类在实际应用中的性能,本文提出了 一种基于可变形卷积的高光谱图像分类方法,考虑到HSI高维度的特性,将可变形卷积从2D引伸到3D,从而更好地提取3D空间上的特征.本文结合双分支双注意机制网络(double-branch dual-at-tention mechanism network,DBDA)的网络结构和 3D 可变形卷积,在 Indian Pines(IP)和 Botswana(BS)2个数据集上进行了实验.实验结果表明,本文的方法在综合精度(overall accuracy,OA)、平均精度(average accuracy,AA)、KAPPA评价标准上均获得了更好的分类准确率,相较于次优算法,OA提高了 0.15％-0.23％,AA提高了 0.21％,KAPPA提高了 0.0003-0.0014.
文献关键词：
高光谱图像分类;可变形卷积;深度学习;卷积神经网络
中图分类号：
作者姓名：
唐婷;潘新
作者机构：
内蒙古农业大学计算机与信息工程学院,内蒙古呼和浩特010018
文献出处：
引用格式：
[1]唐婷;潘新-.一种基于可变形卷积的高光谱图像分类算法)[J].光电子·激光,2022(05):488-494
A类：
引伸到,Botswana
B类：
可变形卷积,高光谱图像分类,图像分类算法,机器视觉,convolutional,neural,network,hyperspectral,imagery,HSI,卷积网络,卷积核,分类方法,高维度,2D,双分支,注意机制,double,branch,dual,at,tention,mechanism,DBDA,Indian,Pines,BS,overall,accuracy,OA,average,AA,KAPPA,分类准确率,次优
AB值：
0.278592
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。
