.png){kind=icon}
返回
3DSPECSN: Adaptive 3D spatial patch based siamese network for robust hyperspectral image analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compeleceng.2025.110520.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像（HSI）的分类仍然是一个具有挑战性的任务，原因在于其高维特性、特征的空间相关性以及HSI数据源的多样性。本研究引入了3D空间块提取（3DSPE）技术，该技术利用Siamese网络框架成功捕获多维光谱-空间数据模式，以增强解混效果。3DSPE技术由于融合了光谱和空间特征，能够产生更优的多光谱混合特征检测。当通过Siamese网络架构实现光谱模式与空间依赖性的结合时，端元恢复和空间分布分析的性能得到提升。一种针对高光谱数据的可训练图像分层方法通过自适应优化技术，在更低的处理时间内加速收敛、限制过拟合，并构建泛化性能。该提出的框架在Indian Pines、Pavia University和Salinas测试中，在总体准确率（OA）、平均准确率（AA）和Kappa系数（κ）等指标上表现出优异性能，准确率接近99%。该方法论不仅实现了高精度，还支持稳定开发改进的高光谱解混模型，通过提高精度、增强灵活性和可扩展性，提供更优的遥感结果。该方案提供了一种可扩展的高效解决方案，可应用于多种遥感任务、土地覆盖分析和资源监测操作，并具备与其他光谱分析工具无缝集成的潜力。
期刊
C
IF:
4.9
论文数:
6.7K
被引数:
1.3W
机构
暂无机构信息
引用论文
A Light-Weighted Spectral–Spatial Transformer Model for Hyperspectral Image Classification一种轻量级光谱-空间变换模型用于高光谱图像分类
OAAI
.png){kind=icon}
OAAI分享收藏Hyperspectral Image Classification for Vegetation Detection Using Lightweight Cascaded Deep Convolutional Neural Network基于轻量化级联深度卷积神经网络的高光谱图像分类方法用于植被检测
PREAI
分享收藏
分享收藏分享收藏
查看更多内容