基于轻量级三维卷积神经网络与迁移学习的高光谱分类
计算机视觉与模式识别
2020-12-08 v1
摘要
近年来，基于深度学习（DL）模型的高光谱图像（HSI）分类方法被提出并展现出良好性能。然而，由于可用训练样本极少且模型参数庞大，DL 方法可能存在过拟合问题。本文中，我们提出一种端到端的三维轻量级卷积神经网络（CNN）（简称 3-D-LWNet）用于基于有限样本的 HSI 分类。相比传统 3-D-CNN 模型，所提 3-D-LWNet 具有更深的网络结构、更少的参数和更低的计算成本，从而取得更好的分类性能。为进一步缓解小样本问题，我们还提出两种迁移学习策略：1）跨传感器策略，即在含有较多有标签样本的来源 HSI 数据集中预训练三维模型，再迁移至目标 HSI 数据集；2）跨模态策略，即在含有大量样本的二维 RGB 图像数据集中预训练三维模型，再迁移至目标 HSI 数据集。与以往方法不同，我们对来源数据集不加限制，其不必与目标数据集由相同传感器采集。在三个由不同传感器获取的公共 HSI 数据集上的实验表明，相比若干最先进方法，我们的模型在 HSI 分类上取得了具竞争力的性能。
引用
@article{arxiv.2012.03439,
title = {Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer Learning},
author = {Haokui Zhang and Ying Li and Yenan Jiang and Peng Wang and Qiang Shen and Chunhua Shen},
journal= {arXiv preprint arXiv:2012.03439},
year = {2020}
}
备注
16 pages. Accepted to IEEE Trans. Geosci. Remote Sens. Code is available at: https://github.com/hkzhang91/LWNet