1 燕山大学理学院, 河北 秦皇岛 066001
2 燕山大学电气工程学院, 河北 秦皇岛 066001
3 燕山大学机械学院, 河北 秦皇岛 066001
4 北京空间机电研究所, 北京 100094
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。
遥感 高光谱图像分类 深度学习 空洞卷积 特征融合 激光与光电子学进展
2020, 57(12): 122803