| 融合栈式自编码与CNN的高光谱影像作物分类方法 |
| |
| 引用本文： | 郭交,李仪邦,董思意,张伟涛.融合栈式自编码与CNN的高光谱影像作物分类方法[J].农业机械学报,2021,52(12):225-232. |
| |
| 作者姓名： | 郭交 李仪邦 董思意 张伟涛 |
| |
| 作者单位： | 西北农林科技大学机械与电子工程学院,陕西杨凌712100;陕西省农业信息感知与智能服务重点实验室,陕西杨凌712100;西北农林科技大学机械与电子工程学院,陕西杨凌712100;西安电子科技大学先进遥感技术研究院,西安710071 |
| |
| 基金项目： | 国家自然科学基金项目（62071350）、陕西省重点研发计划项目（2020GY-162）和国家对地观测科学数据中心开放基金项目（NODAOP2021013） |
| |
| 摘 要： | 在高光谱影像作物分类中，为了充分利用高光谱遥感影像完整的光谱信息，同时避免高维数据带来的Hughes现象，本文从栈式自编码网络的数据降维与CNN网络的分类优势出发，首先分析了此种网络在训练过程中的共性，以自编码网络优化过程中分类器的选取作为切入点，构建了可用于高光谱影像分类的融合网络架构。相较于传统方法，本文方法仅通过一次监督训练，即可实现高光谱影像直接分类，简化了传统数据处理流程，而且具有更优的分类性能。在实验中，利用Pavia University与雄安地区两组典型的高光谱遥感影像数据集对本文方法进行了验证，实验结果表明，Pavia University数据集中，在仅选用10%的像素点作为训练集的情况下，本文方法总体分类精度达到98.73%，比传统方法提升了8个百分点以上；在雄安数据集中，在仅选用1%的像素点作为训练集的情况下，本文方法总体分类精度达到98.04%，比传统方法提升了7个百分点以上，证明了本文分析的正确性和所提方法有效性，也为小样本情况下的高光谱影像分类提供了一种新的研究思路。
|
| 关 键 词： | 作物分类 高光谱影像 栈式自编码网络 卷积神经网络 |
| 收稿时间： | 2021/5/17 0:00:00 |
Innovative Method of Crop Classification for Hyperspectral Images Combining Stacked Autoencoder and CNN |
| |
| GUO Jiao,LI Yibang,DONG Siyi,ZHANG Weitao.Innovative Method of Crop Classification for Hyperspectral Images Combining Stacked Autoencoder and CNN[J].Transactions of the Chinese Society of Agricultural Machinery,2021,52(12):225-232. |
| |
| Authors: | GUO Jiao LI Yibang DONG Siyi ZHANG Weitao |
| |
| Institution: | Northwest A&F University; Xidian University |
| |
| Abstract: | |
| |
| Keywords: | crop classification hyperspectral image stacked autoencoder CNN |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《农业机械学报》浏览原始摘要信息 |
| 点击此处可从《农业机械学报》下载免费的PDF全文 |
