arrow
返回

Convolutional neural networks for hyperspectral image classification

delete2017-01-01
delete493
PRE
AI
S
Shiqi Yu
S
Sen Jia *
徐春艳 封面图
徐春艳 (Chunyan Xu)
DOI:10.1016/j.neucom.2016.09.010delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
作为一种强大的视觉模型,卷积神经网络 (cnn) 在各种视觉识别问题中表现出了卓越的性能,近年来引起了人们的广泛关注。然而,由于高光谱图像数据的波段高度相关和训练样本不足,如何有效地将CNN模型应用于高光谱图像仍然是一个具有挑战性的问题。本文提出了一种有效的CNN架构,以提高其高光谱图像分类的判别能力,其中原始数据用作输入,最终CNN输出是预测的类别相关结果。所提出的CNN基础设施具有几个明显的优点。首先,与需要手工特征的传统分类方法不同,这里使用的CNN模型旨在以端到端的方式处理高光谱图像分析问题。其次,从较小的训练集中优化CNN模型的参数,同时在一定程度上缓解了神经网络的过拟合问题。最后,为了更好地处理高光谱图像信息,采用了1x1卷积层,并且在整个CNN过程中还采用了平均池化层和更大的丢失率。在三个基准数据集上的实验表明,所提出的CNN架构大大优于其他最先进的方法。(C) 2016 Elsevier b.V.保留所有权利。
Keyword:
Hyperspectral image classification
Convolutional neural networks
Deep learning
AI总结

AI总结

对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

期刊

Neurocomputing 封面图
Neurocomputing
IF:
6.5
论文数:
2.5W
被引数:
6.5W

机构

S
shenzhen university
学者数:
4.6W
论文数: 3.4W
被引数: 72
引用论文

引用论文

err分享
err收藏
err分享
err收藏
err分享
err收藏
学者 查看更多内容