基于可学习三维组卷积的空间-光谱高光谱分类
计算机视觉与模式识别
2023-07-18 v1
摘要
深度神经网络在高光谱图像分类中面临诸多问题，包括光谱-空间联合信息利用不充分，以及随深度增加出现的梯度消失与过拟合问题。为了在具有严格延迟限制和计算能力有限的边缘设备上加速模型部署，本文提出一种基于改进3D-DenseNet模型和轻量化模型设计的可学习组卷积网络（LGCNet）。LGCNet模块通过引入输入通道与卷积核分组方式的动态学习方法，改善了组卷积的不足，实现了灵活的分组结构并生成更好的表示能力。通过反向传播网络的整体损失与梯度，以端到端方式动态确定并更新三维组卷积。可学习的通道数及相应分组可捕获输入图像不同的互补视觉特征，使CNN学习更丰富的特征表示。在提取高维冗余的高光谱数据时，三维卷积核也包含大量冗余信息。LGC模块使3D-DenseNet能够选择具有更多语义特征的通道信息，且非常高效，适合嵌入任意深度神经网络以加速并提升效率。LGC使3D-CNN在实现充分特征提取的同时满足速度与计算要求。此外，LGCNet在推理速度与精度上取得进展，并在Indian Pines、Pavia University和KSC数据集上优于主流高光谱图像分类方法。
引用
@article{arxiv.2307.07720,
title = {Spatial-Spectral Hyperspectral Classification based on Learnable 3D Group Convolution},
author = {Guandong Li and Mengxia Ye},
journal= {arXiv preprint arXiv:2307.07720},
year = {2023}
}