SSCDenseNet:一种空-谱卷积稠密网络的高光谱图像分类算法

发布时间：2025-06-20 00:24

　　 基于深度学习的高光谱遥感图像地物分类是目前研究的热点.但由于其参数规模大以及结构复杂,深度网络通常需要大量训练样本和较长训练时间,如何在小规模样本下建立深度学习监督分类模型是需要解决的关键问题.本文提出了一种小规模样本下高光谱图像分类的空-谱卷积稠密网络算法,称为SSCDenseNet,其包含三种新颖的架构策略:(1)空-谱分离卷积,即采取光谱维一维卷积和空间维二维卷积的分离卷积结构构成隐层单元,并通过多个隐层单元堆叠构造深度网络;(2)隐层单元中使用批归一化,减少数据协方差漂移及加速网络训练;(3)隐层单元间构建稠密连接,缓解梯度消失问题并实现特征复用.通过Indian Pines、Pavia University与Salinas数据集进行综合测评,表明该方法优于若干最新深度学习方法,特别在小规模样本下具有优异的分类性能.

【文章页数】：12 页

【文章目录】：
1 引言
2 相关工作
3 空-谱卷积稠密网络的高光谱图像分类
    3.1 隐层单元
    3.2 网络结构
    3.3 类别加权交叉熵损失函数与网络训练
4 实验与分析
    4.1 网络参数配置
    4.2 分类性能分析
        4.2.1 Indian Pines数据集
        4.2.2 Pavia University数据集
        4.2.3 Salinas数据集
        4.2.4 收敛性分析
    4.3 小样本下的分类性能分析
    4.4 运行性能分析
5 结语



本文编号：4051145