用于高光谱图像分类的并行 GRU 缩短空间-光谱 RNN
机器学习
2018-10-31 v1 计算机视觉与模式识别
机器学习
摘要
卷积神经网络(CNNs)在高光谱传感图像(HSI)分类中取得了良好性能，但 CNNs 将光谱视为无序向量。因此，将光谱视为序列，循环神经网络(RNNs)已被应用于 HSI 分类，因为 RNNs 擅长处理序列数据。然而，对于长序列任务，RNNs 难以训练且不如预期有效。此外，RNNs 未考虑空间上下文特征。在本研究中，我们提出一种用于 HSI 分类的带并行 GRU 的缩短空间-光谱 RNN (St-SS-pGRU)。缩短的 RNN 比逐波段 RNN 更高效且更易训练。通过结合卷积层，St-SSpGRU 模型不仅考虑光谱特征还考虑空间特征，从而取得更好性能。我们还提出一种名为并行 GRU 的架构并应用于 St-SS-pGRU。借助该架构，模型获得更好性能且更鲁棒。
引用
@article{arxiv.1810.12563,
title = {Shorten Spatial-spectral RNN with Parallel-GRU for Hyperspectral Image Classification},
author = {Haowen Luo},
journal= {arXiv preprint arXiv:1810.12563},
year = {2018}
}