一种改进多尺度三维残差网络的高光谱图像分类方法

发布时间：2023-03-24 03:22

　　针对高光谱图像训练样本较少、光谱维度高导致分类精度较低的问题,提出一种利用改进多尺度三维残差卷积神经网络的高光谱图像分类方法。选择合适的卷积步长对网络首层光谱降维并提取浅层特征,使用三维卷积滤波器组中最大池化层减少整体网络训练参数量,改进多尺度滤波器组和三维残差单元提取图像深层局部空间-光谱联合特征,并将其输入Softmax函数层预测类别标签样本。实验结果表明,该方法在Indian Pines和Pavia University高光谱数据集上的总体分类精度分别为99.33%和99.83%,与SVM、SAE等方法相比,分类判别特征提取更准确,具有更高的图像分类精度。

【文章页数】：7 页

【文章目录】：
0 概述
1 M3RCNN框架
    1.1 三维卷积滤波器块
    1.2 多尺度三维滤波器组
    1.3 三维残差单元
    1.4 M3RCNN结构
2 实验数据集
3 实验结果与分析
    3.1 网络参数
        3.1.1 三维卷积滤波器块有效性
        3.1.2 多尺度滤波器组有效性
        3.1.3 残差单元有效性
        3.1.4 首层卷积光谱采样步长对网络模型的影响
        3.1.5 相邻像素块尺寸对网络模型的影响
    3.2 对比实验分析
        3.2.1 Indian Pines数据集实验
        3.2.2 Pavia University数据集实验
4 结束语



本文编号：3769341