基于三维非对称Inception网络与数据融合迁移学习的 hyperspectral 分类
计算机视觉与模式识别
2020-02-12 v1
摘要
近年来,卷积神经网络(CNN)改善了高光谱图像(HSI)分类。与RGB数据集不同,不同的HSI数据集通常由各种遥感传感器捕获,并具有不同的光谱配置。此外,每个HSI数据集仅包含非常有限的训练样本,因此在使用深度CNN时容易过拟合。本文首先提出一种三维非对称inception网络AINet,以克服过拟合问题。AINet侧重于HSI数据的光谱特征而非空间上下文,能够有效传递并分类特征。此外,所提出的数据融合迁移学习策略有助于提升分类性能。大量实验表明,所提方法在包括Pavia University、Indian Pines和Kennedy Space Center(KSC)在内的多个HSI基准上击败了所有最先进方法。代码见:https://github.com/UniLauX/AINet。
引用
@article{arxiv.2002.04227,
title = {Hyperspectral Classification Based on 3D Asymmetric Inception Network with Data Fusion Transfer Learning},
author = {Haokui Zhang and Yu Liu and Bei Fang and Ying Li and Lingqiao Liu and Ian Reid},
journal= {arXiv preprint arXiv:2002.04227},
year = {2020}
}
备注
8 pages