基于高光谱数据的一维卷积神经网络土壤质地分类
计算机视觉与模式识别
2019-07-02 v3 机器学习
地球物理
机器学习
摘要
土壤质地对许多环境过程十分重要。本文中，我们基于高光谱数据研究土壤质地的分类。我们开发并实现了三种一维(1D)卷积神经网络(CNN)：LucasCNN、包含作为残差网络的恒等块的LucasResNet，以及带有额外坐标层的LucasCoordConv。此外，我们修改了两种现有的1D CNN方法用于所提出的分类任务。所有五种CNN方法的代码可在GitHub上获得(Riese, 2019)。我们评估了这些CNN方法的性能，并将它们与随机森林分类器进行比较。为此，我们依赖于免费提供的LUCAS表土数据集。深度最浅的CNN方法被证明是性能最好的分类器。LucasCoordConv在平均准确率方面取得了最佳性能。在未来的工作中，我们可以进一步增强所引入的LucasCNN、LucasResNet和LucasCoordConv，并纳入丰富的LUCAS数据集中的额外变量。
引用
@article{arxiv.1901.04846,
title = {Soil Texture Classification with 1D Convolutional Neural Networks based on Hyperspectral Data},
author = {Felix M. Riese and Sina Keller},
journal= {arXiv preprint arXiv:1901.04846},
year = {2019}
}
备注
Accepted to the ISPRS Geospatial Week 2019 in Enschede (NL)