用于高光谱图像分类的级联循环神经网络
计算机视觉与模式识别
2019-09-04 v1
摘要
将光谱签名视为序列，循环神经网络（RNNs）近来已成功用于从高光谱图像（HSIs）中学习判别特征。然而，此类模型大多仅将全部光谱波段直接输入 RNN，可能未能充分挖掘 HSI 的特性。本文提出一种使用门控循环单元（GRUs）的级联 RNN 模型，以挖掘 HSI 的冗余与互补信息。它主要由两层 RNN 组成。第一层 RNN 用于消除相邻光谱波段间的冗余信息，而第二层 RNN 旨在从非相邻光谱波段中学习互补信息。为提升所学特征的判别能力，我们为所提模型设计了两种策略。此外，考虑到 HSI 蕴含丰富的空间信息，我们通过引入若干卷积层将所提模型进一步扩展为谱-空联合版本。为验证所提模型的有效性，我们在两个广泛使用的高光谱图像上开展实验。实验结果表明，我们的模型优于对比模型。
引用
@article{arxiv.1902.10858,
title = {Cascaded Recurrent Neural Networks for Hyperspectral Image Classification},
author = {Renlong Hang and Qingshan Liu and Danfeng Hong and Pedram Ghamisi},
journal= {arXiv preprint arXiv:1902.10858},
year = {2019}
}