典型文献
基于多维度特征遥感图像分类方法的研究
文献摘要：
为了解决传统高光谱图像分类方法精度低、计算成本高及未能充分利用空-谱信息的问题,本文提出一种基于多维度并行卷积神经网络(multidimensional parallel convolutional neural net-work,3D-2D-1DPCNN)的高光谱图像分类方法.首先,该算法利用不同维度卷积神经网络(con-volutional neural network,CNN)提取高光谱图像信息中的空-谱特征、空间特征及光谱特征;之后,采用相同并行卷积层将组合后的空-谱特征、空间特征及光谱特征进行特征融合;最后,通过线性分类器对高光谱图像信息进行精准分类.本文所提方法不仅可以提取高光谱图像中更深层次的空间特征和光谱特征信息,同时能够将光谱图像不同维度的特征进行融合,减小计算成本.在In-dian Pines、Pavia Center和Pavia University数据集上对本文算法和4种传统算法进行对比实验,结果表明,本文算法均得到最优结果,分类精度分别达到了 99.210％、99.755％和99.770％.
文献关键词：
图像处理;高光谱图像分类;卷积神经网络;深度学习;遥感图像
中图分类号：
作者姓名：
王佳鑫;任彦;王盛越;高晓文;叶玉伟
作者机构：
内蒙古科技大学信息工程学院,内蒙古包头014010;包头市农牧科学技术所,内蒙古包头014010
文献出处：
引用格式：
[1]王佳鑫;任彦;王盛越;高晓文;叶玉伟-.基于多维度特征遥感图像分类方法的研究)[J].光电子·激光,2022(08):807-814
A类：
1DPCNN
B类：
多维度特征,遥感图像分类,分类方法,高光谱图像分类,计算成本,并行卷积神经网络,multidimensional,parallel,convolutional,neural,2D,法利,不同维度,network,图像信息,空间特征,卷积层,特征融合,分类器,精准分类,光谱特征信息,In,dian,Pines,Pavia,Center,University,传统算法,分类精度
AB值：
0.240106
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。
