利用光谱数据与全连接神经网络对高光谱图像进行分类
图像与视频处理
2022-01-11 v1 计算机视觉与模式识别
摘要
观察到利用深度学习方法对一维和二维信号取得了较高的分类性能。在此背景下，多数研究者尝试使用深度学习方法对高光谱图像进行分类，并取得了超过 90% 的分类成功率。深度神经网络（DNN）实际上由两部分组成：i) 卷积神经网络（CNN）和 ii) 全连接神经网络（FCNN）。CNN 确定特征，FCNN 用于分类。在高光谱图像分类中，观察到几乎所有研究者都在空间数据之外（即特征之外）对光谱数据使用了 2D 或 3D 卷积滤波器。在图像或时间信号上使用卷积滤波器是方便的。在高光谱图像中，每个像素由相互独立个体的特征构成的签名向量表示。由于向量中特征的顺序可改变，像在时间信号上那样对这些特征使用卷积滤波器并无意义。同时，由于高光谱图像不具备纹理结构，除光谱数据外无需使用空间数据。本研究仅使用全连接神经网络和一维光谱数据，对 Indian pines、Salinas、Pavia centre、Pavia university 和 Botswana 的高光谱图像进行分类。所有高光谱图像测试集的平均准确率达 97.5%。
引用
@article{arxiv.2201.02821,
title = {Classification of Hyperspectral Images by Using Spectral Data and Fully Connected Neural Network},
author = {Zumray Dokur and Tamer Olmez},
journal= {arXiv preprint arXiv:2201.02821},
year = {2022}
}