.png){kind=icon}
返回
Hyperspectral Image Classification Using Feature Fusion Hypergraph Convolution Neural Network
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2021.3123423.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
卷积神经网络 (cnn) 和图表示学习是高光谱图像 (HSI) 分类的两种常用方法。最近，结合CNN和图表示学习的图卷积神经网络在HSI分类问题中显示出巨大的潜力。然而，现有的基于图卷积网络 (GCN) 的方法存在许多问题，例如过度依赖邻接矩阵，使用单一模态特征，并且精度低于成熟的CNN方法。在本文中，我们提出了一种用于HSI分类的特征融合超图神经网络 ((FHNN)-H-2)。(FHNN)-H-2首先从不同模态的特征生成超边缘，以构建表示HSI中多模态特征的超图。然后，将HSI和提取的超图输入到超图卷积神经网络中进行学习。此外，我们提出了三种特征融合策略。第一种策略是最基本的空间和光谱特征融合。第二种策略将预先训练的多层感知器 (MLP) 提取的光谱特征与空间特征融合，以减少原始光谱特征的冗余信息。第三种策略使用CNN特征、光谱特征和空间特征的融合来探索 (FHNN)-H-2的能力。在四个数据集上的充分实验证明了 (FHNN) H-2的有效性。
Keyword:
Feature extraction
Convolution
Task analysis
Deep learning
Convolutional neural networks
Hyperspectral imaging
Data mining
Deep learning
feature fusion
graph convolution networks (GCNs)
hypergraph learning
hyperspectral image (HSI) classification
期刊
IF:
8.6
论文数:
2.2W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
Manifold-Learning-Based Feature Extraction for Classification of Hyperspectral Data基于流形学习的高光谱数据分类特征提取
PREAI
分享收藏Hyperspectral Image Classification Using Dictionary-Based Sparse Representation基于字典稀疏表示的高光谱图像分类
PREAI
分享收藏分享收藏
查看更多内容