基于耦合 CNN 的高光谱与 LiDAR 数据分类
计算机视觉与模式识别
2020-02-05 v1 图像与视频处理
摘要
本文中，我们提出一种高效且有效的框架，利用两个耦合卷积神经网络（CNN）融合高光谱与光探测和测距（LiDAR）数据。一个 CNN 设计用于从高光谱数据中学习光谱-空间特征，另一个用于从 LiDAR 数据中捕获高程信息。两者均由三个卷积层组成，且最后两个卷积层通过参数共享策略耦合在一起。在融合阶段，特征级与决策级融合方法被同时使用以充分整合这些异构特征。对于特征级融合，评估了三种不同融合策略，包括拼接策略、最大化策略与求和策略。对于决策级融合，采用加权求和策略，其中权重由各输出的分类精度确定。所提模型在美国休斯敦获取的城市数据集与意大利特伦托获取的农村数据集上进行了评估。在休斯敦数据上，我们的模型取得了 96.03% 的总体精度新纪录。在特伦托数据上，其取得了 99.12% 的总体精度。这些结果充分证明了我们所提模型的有效性。
引用
@article{arxiv.2002.01144,
title = {Classification of Hyperspectral and LiDAR Data Using Coupled CNNs},
author = {Renlong Hang and Zhu Li and Pedram Ghamisi and Danfeng Hong and Guiyu Xia and Qingshan Liu},
journal= {arXiv preprint arXiv:2002.01144},
year = {2020}
}