典型文献
基于多任务学习的高光谱图像语义分割算法
文献摘要：
针对高光谱图像语义分割中空间信息利用不充分的问题,提出了一种基于多任务学习的语义分割算法,分别为语义分割及基于遥感指数的图像重建任务.网络主要由3D卷积和2D卷积组成,通过主成分分析(principal component analysis,PCA)来减少冗余信息,通过不同任务的重要程度优化两者的损失函数权重.2个特征在分割任务中融合送入由3D通道注意力及空间池化金字塔(spatial pyramid pooling,SPP)组成的光谱-空间特征,提取模块获取谱间相关性及空间上下文信息,从而实现更好的分割效果.通过在Indian Pines数据集上验证,总体分割精度(overall accuracy,OA)达到了99.55％,Kappa达到了99.49％,有效地提高了高光谱遥感图像分割精度,同时在Salinas数据上通过消融实验也验证了所提算法各模块及其参数设置的有效性.
文献关键词：
高光谱图像;遥感;语义分割;深度学习
中图分类号：
作者姓名：
许启贤;黄健;李凡
作者机构：
西安交通大学信息与通信工程学院,西安710049
文献出处：
引用格式：
[1]许启贤;黄健;李凡-.基于多任务学习的高光谱图像语义分割算法)[J].中国科技论文,2022(03):240-245,259
A类：
B类：
多任务学习,高光谱图像,图像语义分割,分割算法,中空,空间信息,信息利用,遥感指数,图像重建,2D,principal,component,analysis,冗余信息,重要程度,损失函数,送入,通道注意力,空间池,池化,金字塔,spatial,pyramid,pooling,SPP,空间特征,取模,空间上下文,上下文信息,分割效果,Indian,Pines,overall,accuracy,OA,Kappa,高光谱遥感图像,遥感图像分割,Salinas,消融实验,参数设置
AB值：
0.440634
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。
