面向高光谱遥感图像分类的连续空间依赖增强型空—谱卷积神经网络

利用深度学习技术对高光谱图像进行地表覆被的精细识别与分类已取得瞩目成果.其中,A2 S2 K-ResNet方法分类精度高、综合性能稳定,但其自适应卷积核选取机制未对卷积神经网络的感受野起到实质性的优化作用,进而影响分类结果.该文提出一种面向高光谱遥感图像分类的连续空间依赖增强模块,以弥补A2 S2 K-ResNet方法的不足,并借助三维残差网络框架,形成一种全新的空—谱卷积神经网络.实验采用4组高光谱图像分类标准测试数据集,并结合3种国际通用的精度评价指标进行方法验证.定性分析结果表明,该文方法可增强空间依赖信息,有效抑制噪声现象,大幅减少分类误判现象;定量分析结果显示,相比A2 S2 K-ResNet,该文方法的分类精度更高,计算复杂度更低,且随着训练样本数量递减,其优势逐渐增大.研究结果有助于解决极少训练样本支持下的高光谱图像分类问题,并提高高光谱图像分类模型的泛化能力.

Improved Spectral-Spatial Convolutional Network Using Continuously Spatial Dependency Enhancement for Hyperspectral Image Classification