胶囊网络(CapsNet)是一种新型的神经网络,已被广泛应用于高光谱遥感分类.针对胶囊网络所面临的过拟合和梯度消失等问题,提出一种基于多尺度自适应胶囊网络(MSCaps)的高光谱遥感分类方法.利用多尺度(不同尺寸的输入图像)的卷积层来提取地物的空间特征与光谱特征,并采用一种非迭代自适应路由算法进一步改进CapsNet的结构,避免了耦合系数cij的稀疏化引起的过拟合问题.利用PU和SA两个公共高光谱数据集从总体分类精度(OA)和模型训练效率两方面评价了 MSCaps的分类性能.在分类精度上,利用MSCaps与支持向量机(SVM)、随机森林(RF)、深度卷积神经网络(CNN)、CapsNet、多尺度的胶囊网络(MCaps)、基于非迭代自适应路由算法的胶囊网络(ARWI-Caps)、多尺度的卷积神经网络(MSCNN)对原始影像的OA进行对比;还与SVM、RF对经主成分分析(PCA)特征提取后的影像的OA进行对比,其中两种分类方法分别简称为PCA-SVM与PCA-RF.在训练效率上,对MSCaps的训练时间和CNN、CapsNet、MSCNN的训练时间进行对比.实验结果表明:MSCaps对PU和SA数据集的OA分别为99.14％和95.38％,分类精度均高于 SVM、RF、PCA-SVM、PCA-RF、CNN、CapsNet、MCaps、ARWI-Caps 及 MSCNN;在模型训练效率方面,MSCaps在PU和SA两种数据集上的耗时分别约为CapsNet的1/3与1/4,训练效率较CapsNet有大幅提高.因此,所提MSCaps可以有效解决基于CapsNet的高光谱遥感分类问题.

高光谱遥感;胶囊网络;非迭代自适应路由算法;深度学习;遥感分类

张根;丁小辉;杨骥;王华

广东省科学院广州地理研究所,广东广州510070;广东工业大学土木与交通工程学院,广东广州510006;南方海洋科学与工程广东省实验室(广州),广东广州511458

激光与光电子学进展

[1]张根;丁小辉;杨骥;王华-.基于多尺度自适应胶囊网络的高光谱遥感分类)[J].激光与光电子学进展,2022(24):255-264

MSCaps,非迭代自适应路由算法,cij,MCaps,ARWI

尺度自适应,胶囊网络,高光谱遥感,遥感分类,CapsNet,过拟合,梯度消失,分类方法,不同尺寸,卷积层,地物,空间特征,光谱特征,耦合系数,稀疏化,PU,SA,高光谱数据,分类精度,OA,模型训练,训练效率,分类性能,RF,深度卷积神经网络,MSCNN,训练时间,分类问题

0.146874