IEEE Transactions on Geoscience and Remote Sensing· 2017Q1
Hiperspektral Görüntü Sınıflandırması için Spektral-Uzamsal Artık Ağı: 3-B Derin Öğrenme Çerçevesi
Spectral–Spatial Residual Network for Hyperspectral Image Classification: A 3-D Deep Learning Framework
- 1.871atıf
- Q1SCImago
- 2017yıl
Kısa özet
Ham 3-B küpleri girdi olarak alan, yeni uçtan uca spektral-uzamsal artık ağı (SSRN), manuel özellik mühendisliği olmadan durum-sanat doğruluğu elde ederek hiperspektral görüntüleri sınıflandırır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Hiperspektral görüntü sınıflandırması için uçtan uca bir spektral-uzamsal artık ağı (SSRN) tasarlandı.
- SSRN, özellik mühendisliği ihtiyacını ortadan kaldırarak ham 3-B küpleri girdi olarak alır.
- Spektral ve uzamsal artık blokları, spektral imzalar ve uzamsal bağlamlardan özellikler öğrenir.
- Artık bloklardaki kimlik eşlemesi, gradyan geri yayılımını kolaylaştırarak doğruluk düşüşünü ele alır.
- Indian Pines, Kennedy Space Center ve University of Pavia veri kümelerinde durum-sanat doğruluğu elde edildi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
In this paper, we designed an end-to-end spectral-spatial residual network (SSRN) that takes raw 3-D cubes as input data without feature engineering for hyperspectral image classification. In this network, the spectral and spatial residual blocks consecutively learn discriminative features from abundant spectral signatures and spatial contexts in hyperspectral imagery (HSI). The proposed SSRN is a supervised deep learning framework that alleviates the declining-accuracy phenomenon of other deep learning models. Specifically, the residual blocks connect every other 3-D convolutional layer through identity mapping, which facilitates the backpropagation of gradients. Furthermore, we impose batch normalization on every convolutional layer to regularize the learning process and improve the classification performance of trained models. Quantitative and qualitative results demonstrate that the SSRN achieved the state-of-the-art HSI classification accuracy in agricultural, rural-urban, and urban data sets: Indian Pines, Kennedy Space Center, and University of Pavia.
Yazarların özeti; kaynağından alınmıştır. IEEE Transactions on Geoscience and Remote Sensing, 2017 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Medya Teknolojisi
Media TechnologyEngineering