高光谱图像分类：维度约简对混合 CNN 的伪影影响
计算机视觉与模式识别
2022-01-17 v1 机器学习
图像与视频处理
摘要
卷积神经网络（CNN）已在高光谱图像分类（HSIC）中得到广泛研究，更具体地，2D 与 3D CNN 模型在利用高光谱图像的空间与光谱信息方面已被证明极为高效。然而，2D CNN 仅考虑空间信息而忽略光谱信息，而 3D CNN 以高计算成本联合利用空间-光谱信息。因此，本工作提出了一种轻量 CNN（3D 后接 2D-CNN）模型，其通过在一更轻模型中分配空间-光谱特征提取来显著降低计算成本，并辅以一项为改善分类结果而进行的预处理。五个基准高光谱数据集（即 SalinasA、Salinas、Indian Pines、Pavia University、Pavia Center 与 Botswana）被用于实验评估。实验结果表明，相较于 SOTA 的 2D/3D CNN 模型（除常用计算昂贵的设计选择外），所提流程在泛化性能、统计显著性与计算复杂度方面均更优。
引用
@article{arxiv.2101.10532,
title = {Hyperspectral Image Classification: Artifacts of Dimension Reduction on Hybrid CNN},
author = {Muhammad Ahmad and Sidrah Shabbir and Rana Aamir Raza and Manuel Mazzara and Salvatore Distefano and Adil Mehmood Khan},
journal= {arXiv preprint arXiv:2101.10532},
year = {2022}
}
备注
9 pages, 9 figures