计算机科学与探索

作者：王燕, 梁琦

单位：兰州理工大学 计算机与通信学院，兰州 730050

关键词：高光谱图像分类,空谱特征提取,三维卷积神经网络（3D-CNN）,深度可分离卷积（DSC）,深度学习

基金：国家自然科学基金(61863025);甘肃省重点研发计划-工业类(18YF1GA060)

针对卷积神经网络在高光谱图像特征提取和分类的过程中，存在空谱特征提取不充分以及网络层数太多引起的参数量大、计算复杂的问题，提出快速三维卷积神经网络（3D-CNN）结合深度可分离卷积（DSC）的轻量型卷积模型。该方法首先利用增量主成分分析（IPCA）对输入的数据进行降维预处理；其次将输入模型的像素分割成小的重叠的三维小卷积块，在分割的小块上基于中心像素形成地面标签，利用三维核函数进行卷积处理，形成连续的三维特征图，保留空谱特征。用3D-CNN同时提取空谱特征，然后在三维卷积中加入深度可分离卷积对空间特征再次提取，丰富空谱特征的同时减少参数量，从而减少计算时间，分类精度也有所提高。所提模型在Indian Pines、Salinas Scene和University of Pavia公开数据集上验证，并且同其他经典的分类方法进行比较。实验结果表明，该方法不仅能大幅度节省可学习的参数，降低模型复杂度，而且表现出较好的分类性能，其中总体精度（OA）、平均分类精度（AA）和Kappa系数均可达99%以上。

来源：2022年第12期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2022年第12期