HSI-CNN：一种用于高光谱图像的新型卷积神经网络
计算机视觉与模式识别
2018-03-01 v1
摘要
随着深度学习的发展，高光谱图像（HSI）分类的性能近年来得到极大提升。训练样本的匮乏已成为性能进一步提升的瓶颈。本文针对高光谱图像数据的特点，提出一种新型卷积神经网络框架，称为 HSI-CNN。首先，从目标像素及其邻域中提取光谱-空间特征。然后，通过在光谱-空间特征上进行卷积操作得到若干一维特征图，并将其堆叠为二维矩阵。最后，将该二维矩阵视为图像输入标准 CNN。这正是我们称之为 HSI-CNN 的原因。此外，为实现框架性能对比，我们还实现了两种深度网络分类模型，称为 HSI-CNN+XGBoost 和 HSI-CapsNet。实验表明，HSI-CNN 框架有效提升了高光谱图像分类性能。我们使用四个流行的 HSI 数据集评估模型性能，分别为 Kennedy Space Center (KSC)、Indian Pines (IP)、Pavia University scene (PU) 和 Salinas scene (SA)。据我们所知，HSI-CNN 在这些数据集上分别以 99.28%、99.09%、99.42%、98.95% 的准确率取得了我们所知所有方法中的最优精度。
引用
@article{arxiv.1802.10478,
title = {HSI-CNN: A Novel Convolution Neural Network for Hyperspectral Image},
author = {Yanan Luo and Jie Zou and Chengfei Yao and Tao Li and Gang Bai},
journal= {arXiv preprint arXiv:1802.10478},
year = {2018}
}
备注
6 pages, 8 figures, Under review as a conference paper at International Conference on Pattern Recognition 2018