没有合适的资源?快使用搜索试试~ 我知道了~
首页基于卷积神经网络的高光谱图像深度特征提取与分类.docx
基于卷积神经网络的高光谱图像深度特征提取与分类.docx
需积分: 5 18 下载量 179 浏览量
更新于2023-03-16
评论 4
收藏 4.91MB DOCX 举报
Deep Feature Extraction and Classification of Hyp全文翻译(带公式)
资源详情
资源评论
资源推荐
基于卷积神经网络的高光谱图像深度特征提取与分类
摘要:基于深度学习的优点,本文提出了一种基于卷积神经网络(CNN)的
正则化深度特征提取(FE)方法用于高光谱图像分类。该方法利用卷积层和
池化层从 hsi 中提取具有非线性、判别性和不变性的深层特征。这些特征
可用于图像分类和目标检测。此外,为了解决 HSI 分类的高维数不平衡和
训练样本可用性有限这一常见问题,研究了 L2 正则化和 dropout 等策略
来避免类数据建模中的过拟合。更重要的是,我们提出了一个基于 cnn 的
三维有限元模型,结合正则化方法提取高光谱图像的有效光谱空间特征。
最后,为了进一步提高性能,提出了一种虚拟样本增强方法。所提出的方
法在三种广泛使用的高光谱数据集上进行:印度松树、帕维亚大学和肯尼
迪航天中心。所得结果表明,所提出的具有稀疏约束的模型提供了最先进
的反竞争结果。此外,提出的深部 FE 为进一步研究打开了新的窗口。
索引:卷积神经网络(CNN),深度学习特征提取(FE),高光谱图像(HSI)
分类。
1 引言
高光谱图像(HSI)通常由同一场景的数百个光谱数据通道组成。高光谱传
感器提供的详细光谱信息,增加了精确鉴别感兴趣材料的能力,提高了分
类精度。此外,由于高光谱技术的发展,新近操作的传感器具有良好的空
间分辨率,使得分析图像中的小空间结构成为可能[1]。上述进展使高光谱
数据成为广泛应用的有用工具。通过增加光谱域图像的维数,可能会产生
理论和实际问题。在这种情况下,由于所谓的维数[2]灾难,为多光谱数据
开发的传统技术不再有效地处理高维数据。为了解决维数灾难,特征提取
(FE)被认为是 HSI 处理中的关键步骤。然而,由于光谱特征的空间变异
性,HSI-FE 仍然是一个具有挑战性的任务。
在 HSI FE 研究的早期,主要是基于光谱的方法,包括主成分分析(PCA)[5]、
独立成分分析(ICA)[6]、线性判别分析(LDA)[7]等[8]、[9]。这些方法应用
线性变换来提取新域中输入数据可能更好的特征。对于自然物体(如植被)复杂
的光散射机制,高光谱数据本质上是非线性的[10],[11],这使得基于线性变
换的方法不适合对此类数据进行分析。
自 2000 年《科学》(Science)[12]、[13]上发表两篇关于流形学习的论文
以来,流形学习成为包括高光谱遥感在内的许多研究领域的热点。流形学习试
图发现非线性分布数据的内在结构,这对高光谱 FE[14]具有很高的应用价值。
另外,非线性问题可以通过基于核的数据表示算法[15]来解决。核方法将原始
数据映射到高维度的希尔伯特空间,并提供了将非线性问题转换为线性问题的
可能性。
最近的研究建议将空间信息整合到基于空间的深度特征提取(FE)系统中
[17]。随着成像技术的发展,高光谱传感器可以提供良好的空间分辨率。因此,
[18]我们可以使用更加详细的空间信息。研究发现,光谱空间有限元方法在分
类性能方面有很好的改进。 [20]本文提出了一种基于形态学算子与支持向量机
(SVM)融合的方法,提高了分类精度。 [21]本文提出的框架使用循环信念传播
和主动学习提取空间和光谱信息。本文研究了扩展形态属性轮廓的稀疏表示方
法,将空间信息融合到遥感图像分类中,进一步提高分类精度。在高光谱遥感
领域,现有的 FE 方法大多只考虑一层处理,降低了特征学习能力。
大多数有限元和分类方法并不是基于“深度”的方式。常用的 PCA 和 ICA 都是单
层学习方法[24]。分类器如线性支持向量机和逻辑回归(LR)可以归为单层分类
器,而决策树或核支持向量机被认为有两层[24]。
另一方面,神经科学研究发现,灵长类人类的视觉系统具有一系列不同程度加
工(10 个量级)的特征,这种学习系统在物体识别[25]任务中表现良好。基于深
度学习的方法,包括两层或多层提取新特征,模拟了从视网膜到皮层的过程,
这些深度架构在图像分类和目标检测方面具有很高的潜力。
来自其他物体的非期望散射可能会使感兴趣的物体的光谱特性变形。此外,其
他因素,如不同的大气散射条件和组内可变性,使得有效提取高光谱数据的特
征非常困难。为了解决这些问题,深层体系结构被认为是一个很有前途的选择,
因为它可能在高层产生更抽象的功能,这些功能通常是健壮和不变的[28]。
近年来,一些深部模型被提出用于高光谱遥感图像处理[49]。据我们所知,这
是一种深度学习方法,即堆叠自动编码器(SAE)。然后,一种基于稀疏约束
[50]的改进自编码器被提出。2015 年,另一个深度模型——深度信念网络
(DBN)被提出[30]。深度模型可以提取鲁棒特征,在分类精度上优于其他方法。
但是,由于上述方法中不同层的全连接,需要训练大量的参数,这是由于缺乏
可用的训练样本而造成的不利因素。此外,SAE 堆叠自动编码器和 DBN 深度
信念网络无法有效地提取空间信息,因为它们需要在训练阶段之前将空间信息
表示成向量。
卷积神经网络(CNN)利用局部连接有效提取空间信息和共享权重,显著减少了
参数数量。最近,人们提出了一种用于遥感图像分析的无监督卷积网络。该方
法采用逐层贪婪无监督预训练方法来建立深度卷积神经网络 CNN 模型[31]。
与无监督方法相比,有监督 CNN 可以借助训练样本提供的类特定信息提取出更
有效的特征。为了同时提取高光谱数据的光谱信息和空间信息,构建三维 CNN
是合理的。此外,为了解决高光谱数据训练样本有限导致的过拟合问题,我们
设计了一种组合正则化策略,包括校正线性单元(ReLU)和 dropout,以实现更
好的模型泛化。在本文中,我们研究了深度模型之一的监督 CNN 在 HSI 有限
元中的应用,并建立了一个有效的基于光谱和空间的 HSI 分类的三维 CNN 模
型。HSI 数据结构复杂,训练样本数量有限,将深度学习应用于 HSI 具有挑战
性。在计算机视觉中,训练样本的数量从几万到几千万[32]、[33]不等,而在
剩余48页未读,继续阅读
栗栗子园
- 粉丝: 0
- 资源: 5
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0