.png){kind=icon}
返回
Multitask Deep Learning With Spectral Knowledge for Hyperspectral Image Classification
.png){kind=icon}
OA
AI
DOI：10.1109/LGRS.2019.2962768.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在这封信中，我们提出了一种多任务深度学习方法，用于在单次训练中对多个高光谱数据进行分类。深度学习模型在高光谱图像分类方面取得了可喜的成果，但其性能高度依赖于高光谱图像上稀缺的足够的标记样本。但是，来自多个数据集的样本可能足以训练一个深度学习模型，从而提高其性能。为此，我们为所有数据训练了一个相同的特征提取器，并将提取的特征输入相应的softmax分类器。引入光谱知识以确保共享特征跨域相似。实验中使用了四个高光谱数据集。与基线相比，我们在三个数据集 (帕维亚大学，帕维亚中心和印度松树) 上获得了更高的分类精度，并且在萨利纳斯山谷数据上获得了竞争结果。当数据共享相似的光谱响应时，光谱知识对于防止深度网络过度拟合很有用。在两个深度cnn上测试的方法成功地显示了其利用来自多个数据集的样本并增强网络性能的能力。
Keyword:
Feature extraction
Hyperspectral imaging
Training
Deep learning
Data mining
Task analysis
Convolutional neural network (CNN)
deep learning
hyperspectral image classification
multitask learning
transfer learning
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
IF:
16.4
论文数:
1.0W
被引数:
5.1K
机构
引用论文
分享收藏Learning and Transferring Deep Joint Spectral-Spatial Features for Hyperspectral Classification面向高光谱分类的深度光谱-空间联合特征学习与转移
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Advances in Spectral-Spatial Classification of Hyperspectral Images高光谱图像光谱-空间分类研究进展.png)
PROCEEDINGS OF THE IEEEOAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏
查看更多内容