典型文献
面向高光谱显微图像血细胞分类的空-谱可分离卷积神经网络
文献摘要：
深度学习已经在高光谱血细胞图像分类中获得广泛应用.然而,传统深度学习模型需要大量标记数据作为样本,忽略了高光谱图像"图谱合一"的性质,不能充分挖掘高光谱图像内蕴信息,且存在参数多、复杂度高问题.针对上述问题,提出了空-谱可分离卷积神经网络(S3CNN),在降低模型复杂度的同时有效提升高光谱血细胞图像分类性能.根据高光谱血细胞图像分布的空间一致性,S3CNN模型首先通过空-谱联合距离(SSCD)得到训练集中各像素点的空-谱近邻,并对这些近邻点赋予与相应中心像素点相同的标签,进行样本扩充,然后在网络模型中采用一组深度卷积和点卷积代替经典卷积,优化了模型复杂度,实现血细胞分类.在Bloodcells1-3和Bloodcells2-2两个不同场景下的高光谱血细胞数据集上的实验结果显示,本文所提算法的总体分类精度分别达到87.32％、89.02％.与其他传统血细胞分类算法相比,本文算法能有效提升高光谱血细胞图像的分类性能.在训练时间上,所采用的可分离卷积模型比经典卷积模型减少27％.实验结果表明,所提网络框架不仅能有效提升高光谱血细胞分类性能,且可减少模型训练时间.
文献关键词：
高光谱图像;血细胞分类;卷积神经网络;空-谱联合距离;可分离卷积
中图分类号：
作者姓名：
时旭;李远;黄鸿
作者机构：
重庆大学光电技术与系统教育部重点实验室,重庆400044
文献出处：
引用格式：
[1]时旭;李远;黄鸿-.面向高光谱显微图像血细胞分类的空-谱可分离卷积神经网络)[J].光学精密工程,2022(08):960-969
A类：
S3CNN,SSCD,Bloodcells1,Bloodcells2
B类：
显微图像,血细胞分类,可分离卷积,细胞图像,图像分类,深度学习模型,记数,高光谱图像,内蕴,模型复杂度,分类性能,空间一致性,训练集,近邻,邻点,中心像素点,样本扩充,深度卷积,点卷积,同场,分类精度,分类算法,训练时间,网络框架,模型训练
AB值：
0.181595
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。
