發(fā)布時間：2025-06-20 00:24

　　 基于深度學習的高光譜遙感圖像地物分類是目前研究的熱點.但由于其參數規(guī)模大以及結構復雜,深度網絡通常需要大量訓練樣本和較長訓練時間,如何在小規(guī)模樣本下建立深度學習監(jiān)督分類模型是需要解決的關鍵問題.本文提出了一種小規(guī)模樣本下高光譜圖像分類的空-譜卷積稠密網絡算法,稱為SSCDenseNet,其包含三種新穎的架構策略:(1)空-譜分離卷積,即采取光譜維一維卷積和空間維二維卷積的分離卷積結構構成隱層單元,并通過多個隱層單元堆疊構造深度網絡;(2)隱層單元中使用批歸一化,減少數據協(xié)方差漂移及加速網絡訓練;(3)隱層單元間構建稠密連接,緩解梯度消失問題并實現特征復用.通過Indian Pines、Pavia University與Salinas數據集進行綜合測評,表明該方法優(yōu)于若干最新深度學習方法,特別在小規(guī)模樣本下具有優(yōu)異的分類性能.

【文章頁數】：12 頁

【文章目錄】：
1 引言
2 相關工作
3 空-譜卷積稠密網絡的高光譜圖像分類
    3.1 隱層單元
    3.2 網絡結構
    3.3 類別加權交叉熵損失函數與網絡訓練
4 實驗與分析
    4.1 網絡參數配置
    4.2 分類性能分析
        4.2.1 Indian Pines數據集
        4.2.2 Pavia University數據集
        4.2.3 Salinas數據集
        4.2.4 收斂性分析
    4.3 小樣本下的分類性能分析
    4.4 運行性能分析
5 結語



本文編號：4051145