-
题名基于空间金字塔注意力机制残差网络的高光谱图像分类
- 1
-
-
作者
刘和
宋璎珞
胡龙湘
刘国辉
王侃
王爱丽
-
机构
国网黑龙江省电力有限公司综合信息中心
哈尔滨理工大学测控技术与通信工程学院黑龙江省激光光谱技术及应用重点实验室
-
出处
《液晶与显示》
CAS
CSCD
北大核心
2024年第6期833-843,共11页
-
基金
国网黑龙江省电力公司科技项目(No.522411230008)。
-
文摘
为了提取高光谱图像的空间-光谱联合特征,本文提出了一种基于改进的空间金字塔注意力机制残差网络的高光谱图像分类模型。首先采用主成分分析法去除光谱冗余,结合空间金字塔注意力机制,改进残差网络的高光谱图像分类模型获取精细化特征。然后利用空间金字塔注意力模型实现多尺度联合特征关注,提升对联合特征的敏感性,并有效地强调并聚焦空间和光谱信息,实现信息交互。最后经过Softmax分类器获得分类标签。本文提出的方法在MUUFL和Tento数据集上进行了实验,结果表明,本文算法的总体分类精度分别达到了94.08%和98.32%。相比于其他高光谱分类模型,本文模型的收敛速度较快,在分类性能上取得了明显的提升,获得了更高的地物分类精度。
-
关键词
高光谱
图像分类
注意力机制
空间-光谱特征
-
Keywords
hyperspectral image
image classification
attention mechanism
spatial-spectral feature
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多核Boosting特征组合的高光谱影像分类
- 2
-
-
作者
张梦顺
郭连坤
-
机构
合肥市测绘设计研究院
西安天目测绘地理信息有限公司
-
出处
《信息技术与信息化》
2022年第3期130-133,共4页
-
文摘
针对高光谱数据多特征组合问题,提出了一种在多核学习框架下利用多核Boosting实现特征组合最优和异质互补的高光谱影像分类算法。此算法充分利用了高光谱遥感数据的光谱特征和空间特征,在大量的影像属性和分类器中实现最优分类,以充分利用遥感数据的互补信息。多核Boosting算法是对常用的多特征组合方法的拓展,与传统的多核学习方法不同,该方法是在多核学习的基础上将高光谱图像的光谱域和空间域信息投影到不同核空间中形成核矩阵,然后将核矩阵转化成弱支持向量机分类器组,最后利用Boosting算法对不同给定特征的弱分类器进行学习得到不同权重的强分类器,从而将特征与分类器结合。最终分类精度可以提高5%~6%,实现多特征优势组合。
-
关键词
高光谱影像分类
多核Boosting学习
空间-光谱特征组合
弱分类器
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名混合卷积神经网络的高光谱图像分类方法
被引量：7
- 3
-
-
作者
刘翠连
陶于祥
罗小波
李青妍
-
机构
重庆邮电大学计算机科学与技术学院
重庆邮电大学空间大数据研究中心
-
出处
《激光技术》
CAS
CSCD
北大核心
2022年第3期355-361,共7页
-
基金
国家自然科学基金资助项目(41871226)
重庆市气象局开放基金资助项目(KFJJ-201602)。
-
文摘
为了解决高光谱图像领域中,传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题,采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法,从空间增强、光谱-空间两方面分别进行了特征提取。首先从空间增强角度提出一种3维-2维卷积神经网络混合结构,得到增强后的空间信息;其次从光谱-空间角度利用3维卷积网络结构,得到光谱-空间的综合可分性信息;最后将所得信息进行特征融合并分类。用该方法在两个数据集上进行了实验并与其它方法进行了对比。结果表明,该方法在Indian Pines与Pavia University数据集上分别取得了99.36%和99.95%的分类精度,其分类精度和kappa系数都优于其它方法。该方法对高光谱图像的分类表现出竞争优势。
-
关键词
遥感
高光谱图像分类
混合卷积神经网络
光谱-空间特征
特征提取
-
Keywords
remote sensing
hyperspectral image classification
hybrid convolutional neural network
spectral-spatial features
feature extraction
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
