典型文献
多尺度特征融合的壁画多光谱图像颜料3D-CNN分类方法
文献摘要：
颜料的分类识别是古代壁画进行保护修复的基础,多光谱成像方法能够无损快速地获取壁画颜料的光谱图像数据并进行分析.传统利用卷积神经网络进行特征提取的算法中连续的卷积和池化操作会丢失壁画多光谱图像的部分特征信息,使得图像细节无法重建,导致分类图像边界不平滑.针对该问题,提出了一种基于多尺度特征融合的三维空洞卷积残差神经网络对壁画多光谱图像进行颜料分类.首先,在卷积核中引入空洞结构提高卷积核的感受野来提取不同尺度信息,避免池化操作所导致的部分特征丢失;其次,使用特征融合的方法融合不同尺度的特征图,增加多尺度特征的结构层次;最后,引入残差学习模块避免网络层数加深导致的梯度消失问题,重建完整的边缘信息.实验结果表明,所提方法在模拟壁画多光谱图像数据集上的总体精度和平均精度分别达到了 98.87％和96.89％,与各对照组相比,不仅具有更好的分类精度,而且得到了边界更清晰的分类图像.
文献关键词：
光谱学;多光谱图像分类;空洞卷积;多尺度特征融合;残差学习
中图分类号：
作者姓名：
丁云乐;王慧琴;王可;王展;甄刚
作者机构：
西安建筑科技大学信息与控制工程学院,陕西西安710055;陕西省文物保护研究院,陕西西安710075
文献出处：
引用格式：
[1]丁云乐;王慧琴;王可;王展;甄刚-.多尺度特征融合的壁画多光谱图像颜料3D-CNN分类方法)[J].激光与光电子学进展,2022(22):361-369
A类：
壁画多光谱图像,颜料分类
B类：
多尺度特征融合,分类方法,分类识别,古代壁画,保护修复,多光谱成像,成像方法,池化操作,分特征,特征信息,空洞卷积,残差神经网络,卷积核,感受野,不同尺度,尺度信息,使用特征,方法融合,特征图,结构层次,残差学习,学习模块,网络层,层数,梯度消失,边缘信息,图像数据集,总体精度,分类精度,光谱学,多光谱图像分类
AB值：
0.23473
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。
