基于锐化余弦相似度的神经网络用于高光谱图像分类
计算机视觉与模式识别
2024-02-26 v1
摘要
高光谱图像分类（HSIC）由于类间与类内相似度和变异性高、区域嵌套以及重叠而是一项困难任务。二维卷积神经网络（CNN）已成为一种可行的网络，而三维 CNN 因其分类准确成为更好的替代方案。然而，三维 CNN 由于其体维和光谱维度而具有极高的计算复杂度。此外，下采样与分层滤波（高频）即纹理特征在前向传播过程中需要被平滑，这对准确的 HSIC 至关重要。再者，CNN 需要大量调参参数，增加了训练时间。因此，为克服上述问题，本文引入锐化余弦相似度（SCS）概念作为神经网络中卷积的替代用于 HSIC。SCS 由于跳过了 SCS 层之后的非线性激活层、归一化与 dropout，因而参数极度高效。使用 MaxAbsPool 而非 MaxPool，其选择具有最高活动幅值的元素，即使为负值。在公开可用 HSI 数据集上的实验结果证明了 SCS 相对于神经网络中卷积的优异性能。
引用
@article{arxiv.2305.16682,
title = {Sharpend Cosine Similarity based Neural Network for Hyperspectral Image Classification},
author = {Muhammad Ahmad},
journal= {arXiv preprint arXiv:2305.16682},
year = {2024}
}