三维空洞卷积残差网络提升高光谱影像分类性能

本文主要探讨了一种创新的高光谱影像分类方法，其核心是基于三维空洞卷积残差神经网络。高光谱影像作为一种高维数据类型，其在光谱维度和空间维度都蕴含着丰富的信息。传统的高光谱影像分类面临的一个挑战是光谱维数据量庞大，这可能导致模型复杂度和计算效率降低。为此，研究人员提出了一个有效解决方案。 该方法首先将高光谱像元视为一个立方体数据结构，作为输入到网络中。采用三维卷积核，这种方法能够同时捕获光谱和空间特征，这是传统二维卷积无法比拟的。引入空洞卷积的概念进一步增强了卷积核的感受野，即它能够在不增加网络参数数量和牺牲数据特征的前提下，扩大对周围像素的感知范围，有助于提高分类精度。 为了应对深层网络可能遇到的梯度消失问题，该方法采用了残差结构，这种设计允许信息在网络的不同层之间直接传递，减少了梯度消失的影响，使得网络训练更加稳定，提高了模型的性能。最后，通过Softmax分类器对处理后的高光谱像元进行分类，将这些特征映射到对应的类别。 在实际应用中，作者将这一方法应用于印度Pines和Salinas两个高光谱数据集上，实验结果显示，所提出的算法在两类数据集上分别达到了97.303%和97.236%的总体分类精度，显著优于其他对照组，这表明这种方法确实能够显著提升高光谱影像的分类准确性和效率。 这篇文章的核心贡献在于结合三维空洞卷积和残差神经网络的技术，设计出一种高效、精确的高光谱影像分类策略，这对于遥感领域中的图像分析和理解具有重要的实际意义。通过优化卷积过程和网络架构，不仅解决了高维数据处理的问题，还提高了模型的泛化能力和鲁棒性。