Institutional Repository of Coll Comp & Commun
混合深度CNN联合注意力的高光谱图像分类 | |
王燕; 吕艳萍 | |
2021 | |
发表期刊 | 计算机科学与探索 |
ISSN | 1673-9418 |
卷号 | 17期号:02页码:1-13 |
摘要 | 深度学习中的卷积神经网络(convolutional neural networks,CNN)能充分利用计算机的计算能力,高效的提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出了混合深度卷积联合注意力(hybrid deep CNN-attention,HDC-Attention)的模型。具体地,首先利用核主成分分析(kernelprincipal component analysis,KPCA)和小批量K均值(minibatch k-means,MBK-means)对高光谱图像进行组合降维,有效地消除数据冗余并保留主要信息量,使得降维后的数据具有最佳区分度。然后将降维后的数据输入HDC网络进行充分地光谱-空间特征提取。最后利用光谱-空间注意力(Spectral-Spatial Attention),重新分配光谱-空间特征的权重,增强有用的空谱特征,抑制无用的特征。提出的模型在三个公开数据集上进行了多次实验,在有限的标记样本下,三个数据集的OA,AA,Kappa分类指标均超过99%以上。 |
关键词 | 高光谱图像分类 KPCA 卷积神经网络 光谱-空间注意力机制 深度学习 |
URL | 查看原文 |
收录类别 | 北大核心 ; CSCD |
语种 | 中文 |
资助项目 | 国家自然科学基金(61863025);甘肃省重点研发计划-工业类(18YF1GA060)~~ |
中图分类号 | TP751;TP183 |
来源库 | 计算机科学与探索 |
引用统计 | |
文献类型 | 期刊论文 |
条目标识符 | https://ir.lut.edu.cn/handle/2XXMBERH/149768 |
专题 | 计算机与通信学院 |
通讯作者 | 王燕 |
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 |
通讯作者单位 | 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,吕艳萍. 混合深度CNN联合注意力的高光谱图像分类[J]. 计算机科学与探索,2021,17(02):1-13. |
APA | 王燕,&吕艳萍.(2021).混合深度CNN联合注意力的高光谱图像分类.计算机科学与探索,17(02),1-13. |
MLA | 王燕,et al."混合深度CNN联合注意力的高光谱图像分类".计算机科学与探索 17.02(2021):1-13. |
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 | ||
混合深度CNN联合注意力的高光谱图像分类(1177KB) | 期刊论文 | 出版稿 | 开放获取 | CC BY-NC-SA | 浏览 下载 |
个性服务 |
查看访问统计 |
谷歌学术 |
谷歌学术中相似的文章 |
[王燕]的文章 |
[吕艳萍]的文章 |
百度学术 |
百度学术中相似的文章 |
[王燕]的文章 |
[吕艳萍]的文章 |
必应学术 |
必应学术中相似的文章 |
[王燕]的文章 |
[吕艳萍]的文章 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论