.png){kind=icon}
返回
Bayesian Deep Learning for Hyperspectral Image Classification With Low Uncertainty
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2023.3257865.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，深度学习模型已被广泛用于高光谱图像 (HSI) 分类，而现有的基于深度学习的方法大多只注重高分类精度。然而，在实际应用中，具有低不确定性的分类与准确分类一样重要。不幸的是，现有的方法没有考虑不确定性。为了应对这一挑战，首次对贝叶斯深度学习 (BDL) 进行了研究，以分析HSI分类的模型不确定性。具体而言，首先，在特征提取 (FE) 阶段，提出了基于BDL的HSI分类框架，该框架包含两个贝叶斯Gabor层和一个全局池化层 (即BDL-G222)。BDL-G222，从高斯分布中采样Gabor层中的参数。所提出的BDL-G222不仅提供了不确定性估计，而且增强了HSI的结构特征 (即纹理)。其次，为了在最终分类阶段对不确定性进行建模，将BDL-G222与贝叶斯全连接层 (BFL) (即，BDL-G222-BFL) 相结合，其中自适应地调整参数的分布。在提出的BDL-G222-BFL中，捕获了FE和分类阶段的不确定性，并建立了完整的不确定性估计框架。在三个公开的HSI数据集上的实验结果证明了在准确性和不确定性方面的优势。所提出的基于BDL的方法开创了一个新的方向，为实际应用提供了有益的启示和经验。
Keyword:
Bayesian neural network
deep learning
hyperspectral image (HSI) classification
uncertainty estimation
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
Active Deep Learning for Hyperspectral Image Classification With Uncertainty Learning基于不确定性学习的主动深度学习高光谱图像分类
PREAI
分享收藏Spectral and Spatial Classification of Hyperspectral Data Using SVMs and Morphological Profiles
PREAI
分享收藏Active Learning With Convolutional Neural Networks for Hyperspectral Image Classification Using a New Bayesian Approach使用卷积神经网络的主动学习，使用新的贝叶斯方法进行高光谱图像分类
PREAI
分享收藏
查看更多内容