基于深度可分离过参数化卷积的浅层网络用于高光谱图像分类
计算机视觉与模式识别
2023-04-06 v1 图像与视频处理
摘要
近年来，卷积神经网络（CNN）技术作为高光谱图像分类（HSIC）的工具已广受欢迎。为了在有限样本条件下提高HSIC的特征提取效率，现有方法通常使用具有大量层的深度模型。然而，深度网络模型在样本有限时容易出现过拟合和梯度消失问题。此外，随着深度增加空间分辨率严重下降，这对空间边缘特征提取非常不利。因此，本文提出一种用于HSIC的浅层模型，称为深度可分离过参数化卷积神经网络（DOCNN）。为保证浅层模型的有效提取，引入深度可分离过参数化卷积（DO-Conv）核来提取判别性特征。深度可分离过参数化卷积核由标准卷积核和深度可分离卷积核组成，可分别提取不同通道的空间特征并同时融合全通道的空间特征。此外，为进一步减少卷积操作导致的空间边缘特征损失，提出密集残差连接（DRC）结构应用于整个网络的特征提取部分。在三个基准数据集上的实验结果表明，所提方法在分类精度和计算效率上均优于其他最先进的方法。
引用
@article{arxiv.2112.00250,
title = {Shallow Network Based on Depthwise Over-Parameterized Convolution for Hyperspectral Image Classification},
author = {Hongmin Gao and Zhonghao Chen and Chenming Li},
journal= {arXiv preprint arXiv:2112.00250},
year = {2023}
}