针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间...针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间重建模块的多尺度2DCNN网络对特征图的深层空间特征做进一步的提取和优化,最后通过全连接层对高光谱遥感图像进行精准分类。实验在Indian Pines、Pavia Centre和Pavia University 3种开源数据集上进行,选取了7种经典的分类方法作为对比。MH-CNN算法在3个数据集上的总体精度分别达到了97.7%、99.2%和98.5%。实验结果表明,MH-CNN算法使得高光谱图像中的空谱特征都得到了充分的利用,同时有效减少了特征图的空间冗余,相比于其他模型提高了分类精度,具有较好的综合性能。展开更多
针对传统遥感图像数据分析算法存在鲁棒性较差、适应度与计算效率均偏低的问题,文中基于YOLOv3提出了一种轻量化的遥感图像数据分析算法。该算法使用YOLOv3作为神经网络模型的框架,并将内部的Darknet-53多尺度卷积作为主网络。为了减小...针对传统遥感图像数据分析算法存在鲁棒性较差、适应度与计算效率均偏低的问题,文中基于YOLOv3提出了一种轻量化的遥感图像数据分析算法。该算法使用YOLOv3作为神经网络模型的框架,并将内部的Darknet-53多尺度卷积作为主网络。为了减小主网的冗余度,通过SE-Net模型连接网络的深层与浅层卷积,在轻量化的同时也增强了模型的深度特征提取能力。同时,根据改进后网络的权重输出结果,采用剪枝算法对卷积核进行简化,进而完成了模型的轻量化。在实验测试中,轻量化后的模型可显著提升FPS(Frames Per Second)值,且算法的mAP指标为93.25%,在对比算法中为最优,表明了算法模型的有效性及其性能的优越性。展开更多
文摘针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间重建模块的多尺度2DCNN网络对特征图的深层空间特征做进一步的提取和优化,最后通过全连接层对高光谱遥感图像进行精准分类。实验在Indian Pines、Pavia Centre和Pavia University 3种开源数据集上进行,选取了7种经典的分类方法作为对比。MH-CNN算法在3个数据集上的总体精度分别达到了97.7%、99.2%和98.5%。实验结果表明,MH-CNN算法使得高光谱图像中的空谱特征都得到了充分的利用,同时有效减少了特征图的空间冗余,相比于其他模型提高了分类精度,具有较好的综合性能。
文摘针对传统遥感图像数据分析算法存在鲁棒性较差、适应度与计算效率均偏低的问题,文中基于YOLOv3提出了一种轻量化的遥感图像数据分析算法。该算法使用YOLOv3作为神经网络模型的框架,并将内部的Darknet-53多尺度卷积作为主网络。为了减小主网的冗余度,通过SE-Net模型连接网络的深层与浅层卷积,在轻量化的同时也增强了模型的深度特征提取能力。同时,根据改进后网络的权重输出结果,采用剪枝算法对卷积核进行简化,进而完成了模型的轻量化。在实验测试中,轻量化后的模型可显著提升FPS(Frames Per Second)值,且算法的mAP指标为93.25%,在对比算法中为最优,表明了算法模型的有效性及其性能的优越性。
