| 光谱可形变卷积驱动的高光谱图像分类 |
| |
| 引用本文： | 薛朝辉,李博.光谱可形变卷积驱动的高光谱图像分类[J].遥感学报,2022,26(10):2014-2028. |
| |
| 作者姓名： | 薛朝辉 李博 |
| |
| 作者单位： | 1.河海大学 地球科学与工程学院, 南京 211100;2.河海大学 江苏省水资源环境遥感监测评估工程研究中心, 南京 211100 |
| |
| 基金项目： | 国家自然科学基金（编号：41971279，42271324）；中央高校业务费研究专项（编号：B200202012） |
| |
| 摘 要： | 基于卷积神经网络的高光谱图像分类是当前的研究热点，先后发展了空洞卷积、可形变卷积等先进模型。然而，现有可形变卷积只在空间维偏移，忽略了高光谱图像光谱之间的差异信息。为此，本文将可形变卷积从空间维扩展到光谱维，设计了光谱可形变卷积，提出了光谱可形变卷积网络SDCNN（Spectral Deformable Convolutional Neural Network）。首先，利用全连接层学习光谱可形变卷积的偏移量，采用线性差值对图像光谱维进行特征校准；其次，采用多层1×1卷积进行光谱维特征聚合；最后，使用三维卷积层提取光谱?空间联合特征。不同于空间可形变卷积，光谱可形变卷积只在光谱维上进行偏移，可以为不同类别选择更合适的特征波段，提升模型的判别性。在国际通用测试数据Indian Pines、University of Pavia以及University of Houston上进行了实验，结果表明：本文提出的SDCNN方法优于其他深度学习方法，在相同样本条件下取得了更高的分类精度，总体精度达到了98.86%（Indian Pines，10%/类）、99.81%（University of Pavia，5%/类）以及97.41%（University of Houston，50个/类），验证了该方法的有效性。
|
| 关 键 词： | 深度学习 高光谱图像分类 卷积神经网络 可形变卷积 |
| 收稿时间： | 2021/12/7 0:00:00 |
Hyperspectral image classification based on spectral deformable convolution neural network |
| |
| XUE Zhaohui,LI Bo.Hyperspectral image classification based on spectral deformable convolution neural network[J].Journal of Remote Sensing,2022,26(10):2014-2028. |
| |
| Authors: | XUE Zhaohui LI Bo |
| |
| Institution: | 1.School of Earth Sciences and Engineering, Hohai University, Nanjing 211100, China;2.Jiangsu Province Engineering Research Center of Water Resources and Environment Assessment Using Remote Sensing, Hohai University, Nanjing 211100, China |
| |
| Abstract: | |
| |
| Keywords: | deep learning hyperspectral image classification convolutional neural network deformable convolution |
|
| 点击此处可从《遥感学报》浏览原始摘要信息 |
| 点击此处可从《遥感学报》下载免费的PDF全文 |
