典型文献
结合并行CNN与极限学习机的高光谱图像分类
文献摘要：
针对传统方法不能充分利用高光谱图像的空间和光谱信息,无法进一步提升高光谱图像分类精度的问题,提出了一种结合卷积神经网络的并行异构极限学习机(spatial-spectral convolutional neural network and parallel extreme learning machine,SSCNN-PELM)分类模型.卷积神经网络(convolutional neural network,CNN)由并行的二维卷积(two-dimensional convolution,2D-CNN)和一维卷积(one-dimensional convolution,1D-CNN)构成,其中2D-CNN提取空间信息和部分光谱信息,1D-CNN补偿损失的光谱信息;并行异构极限学习机(parallel extreme learning machine,PELM)将输入层数据并行映射到隐藏层,同时求解出并行隐藏层的连接权重,进而实现特征融合及分类任务.实验结果表明,SSCNN-PELM模型在Indian pines、Pavia university数据集上总体分类精度分别为99.07％、99.51％,对比了支持向量机(support vector machine,SVM)、CNN等分类方法,SSCNN-PELM模型在提高分类精度的同时兼顾了分类速度.
文献关键词：
高光谱图像分类;卷积神经网络;特征提取;并行异构极限学习机;空-谱联合
中图分类号：
作者姓名：
任彦;高晓文;杨静;叶玉伟;王佳鑫
作者机构：
内蒙古科技大学信息工程学院,内蒙古包头014010
文献出处：
引用格式：
[1]任彦;高晓文;杨静;叶玉伟;王佳鑫-.结合并行CNN与极限学习机的高光谱图像分类)[J].遥感信息,2022(03):34-41
A类：
并行异构极限学习机,SSCNN
B类：
高光谱图像分类,光谱信息,分类精度,spatial,spectral,convolutional,neural,network,parallel,extreme,learning,machine,PELM,分类模型,二维卷积,dimensional,2D,一维卷积,one,1D,空间信息,输入层,层数,数据并行,并行映射,射到,解出,特征融合,分类任务,Indian,pines,Pavia,university,support,vector,分类方法
AB值：
0.256525
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。
