分解式三维卷积神经网络的高光谱遥感影像分类

发布时间：2022-07-12 18:10

　　针对三维卷积神经网络（3D-CNN）计算成本过大,训练、测试时间较长的问题,该文提出了一种分解式三维卷积神经网络（Dec-3D-CNN）。通过将一步三维卷积运算拆分成三步更简单的卷积运算来降低计算成本,并且结合批量标准化（BN）的方法共同设计神经网络结构。在加速网络训练的同时减少梯度弥散的情况。通过Pavia University数据集进行分类实验,Dec-3D-CNN在总体分类精度达到95.93%的情况下,训练时间仅为3D-CNN的16%,测试时间仅为3D-CNN的46%。实验结果表明,Dec-3D-CNN在保持高精度的情况下,能够大幅度的节省训练时间,降低计算成本。 

【文章页数】：8 页

【文章目录】：
0 引言
1 方法与原理
    1.1 卷积神经网络
        1)参数共享。
        2)能够局部感知。
        3)多核性。
    1.2 分解式三维卷积
    1.3 BN原理
    1.4 本文网络设计方法
2 实验与分析
    2.1 实验数据
    2.2 训练过程
    2.3 分解式三维卷积与三维卷积的对比
    2.4 分解式三维卷积与多种分类方法精度对比
3 结束语


【参考文献】：
期刊论文
[1]卷积神经网络在高分遥感影像分类中的应用[J]. 曹林林,李海涛,韩颜顺,余凡,顾海燕.  测绘科学. 2016(09)
[2]基于纹理特征和形态学特征融合的高光谱影像分类法[J]. 王增茂,杜博,张良培,张乐飞.  光子学报. 2014(08)
[3]基于MFA与kNNS算法的高光谱遥感影像分类[J]. 王立志,黄鸿,冯海亮.  计算机科学. 2012(06)



本文编号：3659607