研究目的
利用无监督图像到图像卷积神经网络(CNN)研究高光谱图像(HSI)与激光雷达(LIDAR)数据的协同分类,以提升地球观测效果。
研究成果
基于图像到图像卷积神经网络模型提出的高光谱与激光雷达数据协同分类方法,在统计上比许多最先进技术具有更高的准确率。两个域之间的直接转换确保了多传感器信息的有效融合,且特征提取过程以无监督方式进行,并有足够的训练样本以保证网络的泛化能力。
研究不足
该研究并未解决如何在实际中实现高光谱(HSI)与激光雷达(LIDAR)数据联合特征真正融合的问题。对于训练样本有限的情况,决策级融合并非可行方案。
1:实验设计与方法选择:
本研究提出了一种基于图像到图像卷积神经网络的无监督特征提取框架,用于学习高光谱(HSI)与激光雷达(LIDAR)数据的联合特征。转换过程中的隐藏表征被视为二者的融合特征。
2:样本选择与数据来源:
采用休斯顿数据集和特伦托数据集两个真实遥感数据集进行评估。
3:实验设备与材料清单:
程序使用Python语言实现,网络通过Tensorflow框架及其高级API Keras构建。
4:实验流程与操作步骤:
基于动量为1e-6的随机梯度下降(SGD)策略,设置学习率为0.005,批量大小为128个样本,训练周期为500次。
5:005,批量大小为128个样本,训练周期为500次。
数据分析方法:
5. 数据分析方法:通过总体精度(OA)、平均精度(AA)和Kappa系数评估性能。
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