| 基于小波卷积网络的高光谱图像分类 |
| |
| 引用本文： | 巩传江,臧德厚,郭金,孙媛媛,宋廷强.基于小波卷积网络的高光谱图像分类[J].计算机系统应用,2023,32(7):23-34. |
| |
| 作者姓名： | 巩传江 臧德厚 郭金 孙媛媛 宋廷强 |
| |
| 作者单位： | 青岛科技大学 信息科学技术学院, 青岛 266061;颐中烟草(集团)有限公司, 青岛 266021;青岛科技大学 信息科学技术学院, 青岛 266061;青岛科技大学 大数据学院, 青岛 266061 |
| |
| 基金项目： | 山东省自然科学基金青年项目(ZR2021QC120); 山东省科技研发项目(2019GGX101047) |
| |
| 摘 要： | 高光谱图像波段多、波段之间关联性强, 但其空间纹理和几何信息的表达较弱, 传统分类模型存在空间光谱特征提取不充分、计算量大的问题, 分类性能有待提高. 针对此问题, 提出一种基于小波变换的多尺度多分辨率注意力特征融合卷积网络 (wavelet transform convolutional attention network, WTCAN), 采用小波变换思想对光谱波段进行4次分解, 通过层次性提取光谱特征可减少计算量. 该网络设计了空间信息提取模块, 同时引入金字塔注意力机制, 通过设计逆向跳跃连接网络结构利用多尺度获取空间位置特征, 增强空间纹理表达能力, 可以有效改进传统2D-CNN特征提取尺度单一、忽略空间纹理细节等缺陷. 本文对所提出的WTCAN模型分别在不同空间分辨率高光谱数据集Indian Pines (IP)、WHU_Hi_HanChuan (HanChuan)、WHU_Hi_HongHu (HongHu)进行实验, 通过对比SVM、2D-CNN、DBMA、DBDA、HybridSN模型效果, WTCAN模型取得较好的分类效果, 3个数据集的分类总体精度分别达到了98.41%、99.64%、99.67%, 可为高光谱图像的分类研究提供参考依据.
|
| 关 键 词： | 高光谱图像分类 特征提取 小波变换 二维卷积神经网络 注意力机制 |
| 收稿时间： | 2023/1/5 0:00:00 |
| 修稿时间： | 2023/2/9 0:00:00 |
Hyperspectral Image Classification Based on Wavelet Convolution Network |
| |
| GONG Chuan-Jiang,ZANG De-Hou,GUO Jin,SUN Yuan-Yuan,SONG Ting-Qiang.Hyperspectral Image Classification Based on Wavelet Convolution Network[J].Computer Systems& Applications,2023,32(7):23-34. |
| |
| Authors: | GONG Chuan-Jiang ZANG De-Hou GUO Jin SUN Yuan-Yuan SONG Ting-Qiang |
| |
| Affiliation: | School of Information Science and Technology, Qingdao University of Science and Technology, Qingdao 266061, China;Yizhong Tobacco (Group) Co. Ltd., Qingdao 266021, China;School of Information Science and Technology, Qingdao University of Science and Technology, Qingdao 266061, China;School of Big Data, Qingdao University of Science and Technology, Qingdao 266061, China |
| |
| Abstract: | |
| |
| Keywords: | hyperspectral?imagery (HSI) classification feature extraction wavelet transform two-dimensional?convolutional?neural?network (2D-CNN) attention mechanism |
|
| 点击此处可从《计算机系统应用》浏览原始摘要信息 |
|
点击此处可从《计算机系统应用》下载全文 |
|
