基于三维残差网络和虚拟样本的高光谱图像分类方法研究

摘要

利用高光谱数据所包含的丰富信息,可以实现对地物的精细准确分类和目标检测。目前,深度学习方法已应用于高光谱图像的分类,但是高光谱图像的维度高和样本少,仍然是对目标精确分类的瓶颈。残差网络通过从输入到输出添加跳跃连接,可以更方便地优化参数并提取更多功能信息。文中提出一种基于三维残差网络的分类方法,利用三维卷积核同时获取高光谱图像的空间和光谱信息。为了减少网络对参数初始化的依赖并在一定程度上提高模型的泛化能力,文中使用批量归一化方法来优化网络。同时,为了解决训练样本不足的问题,还提出引入虚拟样本以增加样本数量。通过在真实的高光谱图像上进行实验验证,证明所提方法在高光谱图像分类方面具有一定的应用前景。