基于多尺度残差网络的小样本高光谱图像分类

张祥东; 王腾军; 杨耘

doi:doi:10.3788/LOP57.162801

激光与光电子学进展, 2020, 57 (16): 162801, 网络出版: 2020-08-05

基于多尺度残差网络的小样本高光谱图像分类下载： 1119次

Classification of Small-Sized Sample Hyperspectral Images Based on Multi-Scale Residual Network

张祥东 ^*王腾军杨耘

作者单位

长安大学地质工程与测绘学院, 陕西西安 710054

图 & 表

图 1. 残差学习模块

Fig. 1. Residual learning block

下载图片查看原文

图 2. 多尺度光谱特征提取模块

Fig. 2. Multi-scale spectral feature extraction block

下载图片查看原文

图 3. 多尺度空间特征提取模块

Fig. 3. Multi-scale spatial feature extraction block

下载图片查看原文

图 4. 多尺度残差网络

Fig. 4. Multi-scale residual network

下载图片查看原文

图 5. 不同卷积核数的模型总体精度

Fig. 5. Overall accuracy of models with different number of kernels

下载图片查看原文

图 6. 不同空间尺寸输入的分类精度对比。(a) IN;(b) UP

Fig. 6. Comparison of classification accuracy of inputs with different spatial dimensions. (a) IN; (b) UP

下载图片查看原文

图 7. IN 数据集分类图

Fig. 7. Classification maps of IN dataset

下载图片查看原文

图 8. IN数据集分类图局部放大对比

Fig. 8. Partial enlargement comparison of classification maps of IN dataset

下载图片查看原文

图 9. UP数据集分类图

Fig. 9. Classification maps of UP dataset

下载图片查看原文

图 10. UP数据集分类图局部放大对比

Fig. 10. Partial enlargement comparison of classification maps of UP dataset

下载图片查看原文

表 1IN数据集样本数量分布

Table1. Sample number distribution of IN dataset

Sample No.	Class	Train	Validation	Test
1	Alfalfa	5	4	37
2	Corn-notill	142	143	1143
3	Corn-mintill	83	83	664
4	Corn	23	24	190
5	Grass-pasture	48	48	387
6	Grass-trees	73	73	584
7	Grass-pasture-mowed	3	3	22
8	Hay-windrow	48	47	383
9	Oats	2	2	16
10	Soybean-nottill	97	97	778
11	Soybean-mintill	245	246	1964
12	Soybean-clean	59	59	475
13	Wheat	20	20	165
14	Woods	127	126	1012
15	Building-Grass-Trees	39	38	309
16	Stone-Steel-Towers	9	9	75
Total		1023	1022	8204

查看原文

表 2UP数据集样本数量分布

Table2. Sample number distribution of UP dataset

Sample No.	Class	Train	Validation	Test
1	Asphalt	331	332	5968
2	Meadows	932	933	16784
3	Gravels	105	105	1889
4	Trees	153	153	2758
5	Painted-Metal-Sheets	67	67	1211
6	Bare-Soil	251	252	4526
7	Bitumen	66	67	1197
8	Self-Blocking-Bricks	185	183	3314
9	Shadows	48	47	852
Total		2138	2139	38499

查看原文

表 3不同方法的分类精度对比

Table3. Comparison of classification accuracy of different methods%

Method	IN			UP
Method	OA	AA	K	OA	AA	K
SVM	78.82	74.66	76.43	86.22	85.65	85.76
CNN	91.45	89.87	90.36	96.69	96.20	95.98
Res-3D-CNN	95.63	91.02	92.35	97.65	97.24	96.85
SSRN	97.84	94.28	96.82	99.17	99.09	99.11
ResDenNet	97.98	96.48	96.89	99.33	99.14	99.21
MSRN	99.07	98.87	98.90	99.96	99.94	99.93

查看原文

表 4不同算法训练和测试时间对比

Table4. Comparison of training time and test time of different algorithmss

Dataset	Time	CNN	Res-3D-CNN	SSRN	ResDenNet	MSRN
IN	Training time	509.50	596.40	628.60	256.52	229.61
	Test time	6.42	6.89	7.97	5.42	7.46
UP	Training time	1321.60	1256.20	1034.40	203.47	192.96
	Test time	8.73	18.69	16.54	17.85	22.57

查看原文

张祥东, 王腾军, 杨耘. 基于多尺度残差网络的小样本高光谱图像分类[J]. 激光与光电子学进展, 2020, 57(16): 162801. Xiangdong Zhang, Tengjun Wang, Yun Yang. Classification of Small-Sized Sample Hyperspectral Images Based on Multi-Scale Residual Network[J]. Laser & Optoelectronics Progress, 2020, 57(16): 162801.

基于多尺度残差网络的小样本高光谱图像分类下载： 1119次

图 1. 残差学习模块

Fig. 1. Residual learning block

图 2. 多尺度光谱特征提取模块

Fig. 2. Multi-scale spectral feature extraction block

图 3. 多尺度空间特征提取模块

Fig. 3. Multi-scale spatial feature extraction block

图 4. 多尺度残差网络

Fig. 4. Multi-scale residual network

图 5. 不同卷积核数的模型总体精度

Fig. 5. Overall accuracy of models with different number of kernels

图 6. 不同空间尺寸输入的分类精度对比。(a) IN;(b) UP

Fig. 6. Comparison of classification accuracy of inputs with different spatial dimensions. (a) IN; (b) UP

图 7. IN 数据集分类图

Fig. 7. Classification maps of IN dataset

图 8. IN数据集分类图局部放大对比

Fig. 8. Partial enlargement comparison of classification maps of IN dataset

图 9. UP数据集分类图

Fig. 9. Classification maps of UP dataset

图 10. UP数据集分类图局部放大对比

Fig. 10. Partial enlargement comparison of classification maps of UP dataset

表 1IN数据集样本数量分布

Table1. Sample number distribution of IN dataset

表 2UP数据集样本数量分布

Table2. Sample number distribution of UP dataset

表 3不同方法的分类精度对比

Table3. Comparison of classification accuracy of different methods%

表 4不同算法训练和测试时间对比

Table4. Comparison of training time and test time of different algorithmss

关于本站 Cookie 的使用提示

全站搜索

基于多尺度残差网络的小样本高光谱图像分类 下载： 1119次

图 1. 残差学习模块

Fig. 1. Residual learning block

图 2. 多尺度光谱特征提取模块

Fig. 2. Multi-scale spectral feature extraction block

图 3. 多尺度空间特征提取模块

Fig. 3. Multi-scale spatial feature extraction block

图 4. 多尺度残差网络

Fig. 4. Multi-scale residual network

图 5. 不同卷积核数的模型总体精度

Fig. 5. Overall accuracy of models with different number of kernels

图 6. 不同空间尺寸输入的分类精度对比。(a) IN;(b) UP

Fig. 6. Comparison of classification accuracy of inputs with different spatial dimensions. (a) IN; (b) UP

图 7. IN 数据集分类图

Fig. 7. Classification maps of IN dataset

图 8. IN数据集分类图局部放大对比

Fig. 8. Partial enlargement comparison of classification maps of IN dataset

图 9. UP数据集分类图

Fig. 9. Classification maps of UP dataset

图 10. UP数据集分类图局部放大对比

Fig. 10. Partial enlargement comparison of classification maps of UP dataset

表 1IN数据集样本数量分布

Table1. Sample number distribution of IN dataset

表 2UP数据集样本数量分布

Table2. Sample number distribution of UP dataset

表 3不同方法的分类精度对比

Table3. Comparison of classification accuracy of different methods%

表 4不同算法训练和测试时间对比

Table4. Comparison of training time and test time of different algorithmss

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于多尺度残差网络的小样本高光谱图像分类下载： 1119次