基于深度卷积神经网络的高光谱遥感图像分类特征提取方法的评价与影响

1、原文

Assessment and Impact of Feature Extraction Methods for Hyperspectral Remote Sensing Image Classification Based on Deep Convolutional Neural Networks.

https://ieeexplore.ieee.org/document/9544558  

2、摘要

HSI（高光谱图像）由更多的光谱带组成，用于地球上各种物体的分类。然而，这些大量的光谱带具有冗余信息并降低了分类精度。为了有效地执行分类，应用了降维方法。PCA是用于具有大量维度的数据的常用特征缩减技术。本研究工作提出了维度的PCA和因子分析实施时，从PCA和因子分析中提取的HSI数据的特征进行比较。此外，CNN（卷积神经网络）在减少特征以分离HSI数据后具有各种卷积层、池化层和全连接层。为了检查所开发方法的有效性，将使用印度松树、SalinasA场景、帕维亚大学场景和肯尼迪空间中心（KSC）等HSI数据集的基准进行测试。

3、正文

------------------------------------------------------------------

------------------------------------------------------------------------------------------

------------------------------------------------------------------------------------

----------------------------------------------------------------------------

---------------------------------------------------------------------------------

---------------------------------------------------------------------------------

4、结论

所提出的工作主要集中在高光谱数据集的降维上。因子分析和主成分分析算法应用于四个标准恒指数据并完成分类。如果我们观察结果，与印度松树和肯尼迪航天中心数据集的主成分分析相比，因子分析的准确性更高。但是这两种技术都为Salinas-A场景和Pavia大学场景提供了相同的准确性。因此，未来我们将改变卷积神经网络算法中现有的方法，并在更多的数据集上对其进行测试，以提高分类结果。

5、参考文献