多层局部感知卷积神经网络的高光谱图像分类

发布时间：2023-04-30 00:39

　　针对高光谱图像分类中光谱特征的高度非线性问题,提出一种基于多层感知器卷积层和批标准化层的改进卷积神经网络模型,提高模型在光谱域处理的非线性特征提取能力.该算法通过构建七层网络结构,实现多层局部感知结构,逐个像素对光谱信息开展分析,区分不同目标物的光谱信息,将全光谱段集合作为输入,舍去空间信息,利用动量梯度下降训练算法对多层局部感知卷积神经网络训练,实现对不同目标物体光谱特征的提取与分类.实验中,采用两组高光谱遥感影像进行对比分析,以Pavia University数据集为例,在3 600个训练样本情况下,测试集为1 800个样本,本文方法正确率为90.23%,LeNet-5正确率为87.94%,Linear-SVM正确率为90.00%;在21 000个训练样本情况下,测试集为全部样本,本文方法正确率为97.23%,LeNet-5正确率为96.64%,Linear-SVM正确率为92.40%.实验结果表明,在训练集较小的情况下,本文方法优于传统神经网络,能有效提取数据特征,并且在精度上和计算成本上略优于在小样本分类中具有高效和鲁棒性良好的SVM算法.在大规模训练集时,本文方法表现出良好的...

【文章页数】：10 页

【文章目录】：
1 引 言
2 多层局部感知卷积神经网络
    2.1 增强非线性特征学习的改进方法
    2.2 多层局部感知卷积神经网络分类器
        2.2.1 多层局部感知CNN网络模型
        2.2.2 构建增强非线性学习的CNN分类器
    2.3 基于像素分类策略
    2.4 基于改进CNN的分类及训练过程
        2.4.1 正向传播
        2.4.2 动量梯度下降方式反向传播误差更新权重
3 实 验
    3.1 数据集
        3.1.1 Pavia University数据
        3.1.2 Salinas数据
    3.2 实验结果与分析
        (1) 实验中所用到的训练集的选择方式如下.
        (2) 实验中所用到的测试集的选择方式如下.
4 结 论



本文编号：3806064