研究目的
提出一种基于卷积神经网络(CNN)的高光谱图像(HSI)目标检测方法,并将其性能与深度置信网络(DBN)和支持向量机(SVM)方法进行比较。
研究成果
该论文得出结论,在高光谱图像目标检测中,CNN和DBN方法的表现优于传统SVM方法,且CNN的效果优于DBN。但由于样本选择、参数设置及网络结构不够理想,结果未达最佳。未来工作将针对这些方面进行优化以提高检测精度。
研究不足
样本选择、参数设置和网络结构并非最优,导致结果不太理想。未来的工作将聚焦于优化网络参数并尝试各类网络框架,以实现更优的高光谱目标检测。
1:实验设计与方法选择:
本研究采用卷积神经网络(CNN)进行高光谱图像的特征提取与目标检测。方法包括原始高光谱数据预处理、CNN训练、网络参数调整以及基于提取特征的标定目标。
2:样本选择与数据来源:
所用数据来自先进红外成像光谱仪AVIRIS,具体为圣地亚哥机场图像部分,覆盖可见光至近红外光谱范围。
3:实验设备与材料清单:
主要设备为机载可见光/红外成像光谱仪AVIRIS。
4:实验流程与操作步骤:
过程包括对高光谱数据进行预处理以提取光谱信息,转换为相应数据格式,将预处理数据输入网络进行特征提取,并基于提取特征标定目标。
5:数据分析方法:
研究通过比较CNN、深度置信网络(DBN)和支持向量机(SVM)在光谱及空-谱信息下的准确率与损失值评估性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容