典型文献
快速3D-CNN结合深度可分离卷积对高光谱图像分类
文献摘要：
针对卷积神经网络在高光谱图像特征提取和分类的过程中,存在空谱特征提取不充分以及网络层数太多引起的参数量大、计算复杂的问题,提出快速三维卷积神经网络(3D-CNN)结合深度可分离卷积(DSC)的轻量型卷积模型.该方法首先利用增量主成分分析(IPCA)对输入的数据进行降维预处理;其次将输入模型的像素分割成小的重叠的三维小卷积块,在分割的小块上基于中心像素形成地面标签,利用三维核函数进行卷积处理,形成连续的三维特征图,保留空谱特征.用3D-CNN同时提取空谱特征,然后在三维卷积中加入深度可分离卷积对空间特征再次提取,丰富空谱特征的同时减少参数量,从而减少计算时间,分类精度也有所提高.所提模型在Indian Pines、Salinas Scene和University of Pavia公开数据集上验证,并且同其他经典的分类方法进行比较.实验结果表明,该方法不仅能大幅度节省可学习的参数,降低模型复杂度,而且表现出较好的分类性能,其中总体精度(OA)、平均分类精度(AA)和Kappa系数均可达99％以上.
文献关键词：
高光谱图像分类;空谱特征提取;三维卷积神经网络(3D-CNN);深度可分离卷积(DSC);深度学习
中图分类号：
作者姓名：
王燕;梁琦
作者机构：
兰州理工大学 计算机与通信学院,兰州 730050
文献出处：
引用格式：
[1]王燕;梁琦-.快速3D-CNN结合深度可分离卷积对高光谱图像分类)[J].计算机科学与探索,2022(12):2860-2869
A类：
增量主成分分析
B类：
深度可分离卷积,高光谱图像分类,图像特征提取,空谱特征提取,网络层,层数,太多,参数量,三维卷积神经网络,DSC,轻量型,IPCA,像素,割成,小块,心像,核函数,行卷,卷积处理,三维特征,特征图,留空,同时提取,空间特征,少计,计算时间,分类精度,Indian,Pines,Salinas,Scene,University,Pavia,公开数据集,分类方法,可学,模型复杂度,分类性能,总体精度,OA,平均分,AA,Kappa
AB值：
0.321822
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。
