研究目的
为解决传统深度模型因训练样本有限、类内方差大和类间方差低导致的高光谱图像分类性能欠佳问题,开发了一种具有多尺度卷积和多样化度量的卷积神经网络以提取具有判别性的特征。
研究成果
所提出的DPP-DML-MS-CNN方法有效结合了多尺度特征提取与多样化深度度量,显著提升了高光谱图像分类性能。该方法优于传统深度模型,在多个数据集上达到或超越了最先进方法的成果。未来工作包括将该方法应用于目标检测等其他任务,并探索不同的MS-CNN架构。
研究不足
训练过程耗时较长,尤其是未经预训练时。该方法的性能可能受权重初始化影响,过大的多样性权重(λ)或邻域尺寸可能导致精度下降。此方法仅在特定高光谱数据集上评估,可能无法推广至所有类型的遥感数据。
1:实验设计与方法选择:
该方法包括设计三类MS-CNN(一维光谱、二维光谱-空间和三维光谱-空间分类),采用受GoogLeNet中Inception??槠舴⒌亩喑叨嚷瞬ㄆ髯?。在深度度量上施加基于DPP的多样性促进先验,促使参数因子相互排斥以减少冗余。联合学习方法将MS-CNN与多样化深度度量相结合。
2:样本选择与数据来源:
使用四个真实高光谱图像数据集:帕维亚大学、印度松、萨利纳斯场景和肯尼迪航天中心(KSC)。训练和测试样本随机选取,每类具体数量详见论文表I-IV。
3:实验设备与材料清单:
实验在配备3.4GHz英特尔酷睿i7处理器和64GB内存的普通计算机上进行,采用Caffe框架实现。
4:4GHz英特尔酷睿i7处理器和64GB内存的普通计算机上进行,采用Caffe框架实现。
实验流程与操作步骤:
4. 实验流程与操作步骤:过程包括将训练样本转换为MS-CNN适用输入形式、提取多尺度特征、应用带DPP先验的度量变换,以及通过Softmax分类器分类。采用随机梯度下降和反向传播进行预训练和微调。
5:数据分析方法:
分类性能通过平均精度(AA)、总体精度(OA)和Kappa系数评估,统计显著性使用McNemar检验评估,学习参数的多样性通过反余弦相关性测量。
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