文献类型：期刊文章

作　　者：郭文慧[1] 曹飞龙[1]

GUO Wenhui;CAO Feilong(Department of Applied Mathematics,College of Sciences,China Jiliang University,Hangzhou 310018)

机构地区：[1]中国计量大学理学院应用数学系

出　　处：《模式识别与人工智能》

基　　金：国家自然科学基金项目(No.61672477)资助~~

年　　份：2019

卷　　号：32

期　　号：10

起止页码：882-891

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：深度学习中用于训练的高光谱图像(HSI)数据十分有限,因此较深的网络不利于空谱特征的提取.为了缓解该问题,文中提出3D多尺度特征融合残差网络,利用深度学习和多尺度特征融合的方式对光谱-空间特征进行有序的学习.首先对3D-HSI数据进行自适应降维,将降维后的图像作为网络输入.然后,通过多尺度特征融合残差块依次提取光谱-空间特征,融合不同尺度的特征,通过特征共享增强信息流,获得更丰富的特征.最后以端到端的方式训练网络.在相关数据集上的测试表明,文中网络具有良好的分类性能.

关 键 词：深度学习  多尺度特征融合  特征提取 高光谱图像分类

分 类 号：TN911.71] TP183]