基于双通道空洞卷积神经网络的高光谱图像分类

摘要：

受空洞卷积在图像信息方面保持优秀性能的启发,为进一步提高分类精度,提出一种基于双通道空洞卷积神经网络(DCD-CNN)的高光谱图像分类框架.空洞卷积可扩展滤波器的感受野,有效地避免图像信息丢失,从而提高分类精度.在该框架中,分别采用含有空洞卷积的一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)提取高光谱图像的光谱特征和空间特征.再采用加权融合方法对提取的空间特征和光谱特征进行融合.最后将融合后的特征输入支持向量机进行最终分类.对两个常用的高光谱图像数据集进行实验并与现有的4种分类方法进行比较,结果表明,所提框架具有更好的分类性能.

关键词：遥感、高光谱图像分类、深度学习、空洞卷积、特征融合

所属期刊栏目：57

分类号：TP751.1(遥感技术)

资助基金：国家自然科学基金;国家自然科学基金;河北省自然科学基金;国家自然科学基金

在线出版日期：2020-07-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：348-354