Remote Sensing· 2017Q1
3 Boyutlu Evrişimsel Sinir Ağı ile Hiperspektral Görüntülerin Spektral-Uzamsal Sınıflandırılması
Spectral–Spatial Classification of Hyperspectral Imagery with 3D Convolutional Neural Network
- 1.279atıf
- Q1SCImago
- 2017yıl
Kısa özet
Önerilen bir 3B evrişimsel sinir ağı (3B-CNN) çerçevesi, 3B hiperspektral görüntü (HSI) verilerinden eş zamanlı olarak spektral-uzamsal özellikler çıkararak, mevcut derin öğrenme yöntemlerinden daha iyi performans gösteren hiperspektral görüntü sınıflandırması için en gelişmiş sonucu elde etmektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Hiperspektral görüntü (HSI) sınıflandırması için bir 3B-CNN çerçevesi önerilmiştir.
- Yöntem, 3B HSI küp verilerinden doğrudan derin spektral-uzamsal birleşik özellikler çıkarır.
- Diğer derin öğrenme yöntemlerine göre daha az parametre gerektirir ve eğitilmesi daha kolaydır.
- 3B-CNN yöntemi, üç gerçek dünya HSI veri kümesinde SAE, DBN ve 2B-CNN tabanlı yöntemlerden daha iyi performans göstermiştir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Recent research has shown that using spectral–spatial information can considerably improve the performance of hyperspectral image (HSI) classification. HSI data is typically presented in the format of 3D cubes. Thus, 3D spatial filtering naturally offers a simple and effective method for simultaneously extracting the spectral–spatial features within such images. In this paper, a 3D convolutional neural network (3D-CNN) framework is proposed for accurate HSI classification. The proposed method views the HSI cube data altogether without relying on any preprocessing or post-processing, extracting the deep spectral–spatial-combined features effectively. In addition, it requires fewer parameters than other deep learning-based methods. Thus, the model is lighter, less likely to over-fit, and easier to train. For comparison and validation, we test the proposed method along with three other deep learning-based HSI classification methods—namely, stacked autoencoder (SAE), deep brief network (DBN), and 2D-CNN-based methods—on three real-world HSI datasets captured by different sensors. Experimental results demonstrate that our 3D-CNN-based method outperforms these state-of-the-art methods and sets a new record.
Yazarların özeti; kaynağından alınmıştır. 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