利用上下文CNN实现更深入的高光谱图像分类
计算机视觉与模式识别
2017-10-11 v3 机器学习
摘要
在本文中，我们描述了一种新颖的深度卷积神经网络（CNN），其比用于高光谱图像分类的其他现有深度网络更深且更宽。与当前基于CNN的高光谱图像分类最先进方法不同，所提出的称为上下文深度CNN的网络能够通过联合利用相邻单个像素向量的局部空谱关系来最优探索局部上下文交互。空谱信息的联合利用通过用作所提CNN流水线初始组件的多尺度卷积滤波器组实现。从多尺度滤波器组获得的初始空间和光谱特征图随后被组合在一起形成联合空谱特征图。表示高光谱图像丰富光谱和空间属性的联合特征图然后被送入全卷积网络，最终预测每个像素向量的相应标签。所提方法在三个基准数据集上测试：Indian Pines数据集、Salinas数据集和University of Pavia数据集。性能比较显示所提方法在三个数据集上优于当前最先进方法的分类性能。
引用
@article{arxiv.1604.03519,
title = {Going Deeper with Contextual CNN for Hyperspectral Image Classification},
author = {Hyungtae Lee and Heesung Kwon},
journal= {arXiv preprint arXiv:1604.03519},
year = {2017}
}
备注
14 pages