快速3D-CNN结合深度可分卷积对高光谱图像分类

IR > 计算机与通信学院

	快速3D-CNN结合深度可分卷积对高光谱图像分类
	王燕; 梁琦
	2021-04-29
发表期刊	计算机科学与探索
页码	12
摘要	针对卷积神经网络在高光谱图像特征提取和分类的过程中，存在空谱特征提取不充分以及网络层数太多引起的参数量大、计算复杂的问题，提出快速3D-CNN（3-Dimension convolutional neural networks）结合深度可分离卷积(depthwise separable convolution，DSC)的轻量型卷积模型。该方法首先利用增量主成分分析(incremental Principal component analysis，IPCA)对输入的数据进行降维预处理；其次将输入模型的像素分割成小的重叠的三维小卷积块，在分割的小块上基于中心像素形成地面标签，利用三维核函数进行卷积处理，形成连续的三维特征图，保留空谱特征。用3D-CNN同时提取空谱特征，然后在三维卷积中加入深度可分离卷积对空间特征再次提取，丰富空谱特征的同时减少参数量，从而减少计算时间，分类精度也有所提高。所提模型在Indian Pines、Salinas Scene和University of Pavia公开数据集上验证，并且同其它经典的分类方法进行比较。实验结果表明，该方法不仅能大幅度节省可学习的参数，降低模型复杂度，而且表现出较好的分类性能，其中总体精度(overall accuracy，OA)、平均分类精度(average accuracy，AA)和Kappa系数均可达99%以上。
关键词	高光谱图像分类空谱特征提取 3D-CNN 深度可分离卷积深度学习
URL	查看原文
收录类别	CSCD ; 北大核心
语种	中文
中图分类号	TP751;TP183
引用统计
文献类型	期刊论文
条目标识符	https://ir.lut.edu.cn/handle/2XXMBERH/148005
专题	计算机与通信学院
作者单位	兰州理工大学计算机与通信学院
第一作者单位	计算机与通信学院
第一作者的第一单位	计算机与通信学院
推荐引用方式 GB/T 7714	王燕,梁琦. 快速3D-CNN结合深度可分卷积对高光谱图像分类[J]. 计算机科学与探索,2021:12.
APA	王燕,&梁琦.(2021).快速3D-CNN结合深度可分卷积对高光谱图像分类.计算机科学与探索,12.
MLA	王燕,et al."快速3D-CNN结合深度可分卷积对高光谱图像分类".计算机科学与探索 (2021):12.

条目包含的文件		下载所有文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
快速3D-CNN结合深度可分卷积对高光谱（1382KB）	期刊论文	出版稿	开放获取	CC BY-NC-SA	浏览下载