研究目的
开发一种新型高光谱图像特征学习网络(HSINet),通过自监督方式学习一致性特征以实现高光谱分类,并将条件随机场(CRF)框架嵌入HSINet以提升自监督特征学习的性能。
研究成果
HSINet-CRF方法能有效学习高光谱图像分类的互补且一致的特征,在三个高光谱数据集上优于现有最先进方法。未来工作将把该框架应用于三维点云解析、图像去噪等其他标注与回归任务。
研究不足
技术及应用方面的限制包括:训练深度神经网络参数需要大量已标注像素点,而人工标注此类数据集所需的人力投入使得这一问题凸显。
1:实验设计与方法选择:
该方法包括开发HSINet,其包含三层深度神经网络(TDNN)和多特征卷积神经网络(MCNN),并将CRF框架嵌入HSINet中。
2:样本选择与数据来源:
使用三个高光谱图像数据集(Indian Pines、Salinas和University of Pavia)进行评估。
3:实验设备与材料清单:
HSINet的架构使用TensorFlow深度学习库实现。
4:实验流程与操作步骤:
通过网络端到端训练反向传播算法,并执行五次平均场推理迭代。
5:数据分析方法:
使用总体精度(OA)、平均精度(AA)和Kappa系数评估性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容