用于高光谱图像分类的朴素Gabor网络
图像与视频处理
2020-02-25 v2 计算机视觉与模式识别
机器学习
信号处理
摘要
近来，许多卷积神经网络（CNN）方法被设计用于高光谱图像（HSI）分类，因为CNN能够产生良好的数据表示，这极大受益于海量参数。然而，求解如此高维优化问题常需大量训练样本以避免过拟合。此外，它是受许多局部极小和平坦区域影响的典型非凸问题。为解决这些问题，本文引入朴素Gabor网络或Gabor-Nets，其在文献中首次严格以Gabor滤波器形式设计并学习CNN核，旨在减少所涉参数并约束解空间，从而提升CNN性能。具体而言，我们提出了一种创新的相位诱导Gabor核，其巧妙设计通过由核相位控制的数据局部低频与高频分量线性组合来实现Gabor特征学习。借助相位诱导Gabor核，所提Gabor-Nets获得了自动适应HSI数据局部谐波特性的能力，从而产生更具代表性的谐波特征。该核还能以实值方式实现传统复值Gabor滤波，使Gabor-Nets易于在常规CNN流程中执行。我们在三个知名HSI上评估了新开发的Gabor-Nets，表明所提Gabor-Nets能显著提升CNN性能，尤其在小型训练集下。
引用
@article{arxiv.1912.03991,
title = {Naive Gabor Networks for Hyperspectral Image Classification},
author = {Chenying Liu and Jun Li and Lin He and Antonio J. Plaza and Shutao Li and Bo Li},
journal= {arXiv preprint arXiv:1912.03991},
year = {2020}
}
备注
This paper has been accepted by IEEE TNNLS