Hyperspectral Image Classification Using Similarity Measurements-Based Deep Recurrent Neural Network...-优快云博客

本文探讨了使用循环神经网络(RNN)进行高光谱影像的像素分类，重点介绍了通过PixelMatching和BlockMatching选择相近像素的方法，并应用于Pavia University和Salinas两个数据集上，展示了RNN在地物分类上的潜力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

用RNN来做像素分类，输入是一系列相近的像素，长度人为指定为l，相近是利用像素相似度或是范围相似度得到的，计算个欧氏距离或是SAM。

数据是两个高光谱数据

1、Pavia University，Reflective Optics System Imaging Spectrometer (ROSIS) sensor得到，102个波段，1.3米空间分辨率，总大小610*340像素，9类地物

2、Salinas image，Airborne Visible/Infrared Imaging Spectrometer (AVIRIS)，204个有效波段，3.7米空间分辨率，总大小512*217像素，16类地物

网络结构：

主要亮点在于像素点的选择吧，通过 Pixel Matching 和 Block Matching 来计算相似度距离，将距离按升序排列，选前n个距离最小的作为LSTM的输入，得到结果

参考文献：

42. Ienco, D.; Gaetano, R.; Dupaquier, C.; Maurel, P. Land cover classification via multitemporal spatial data by
deep recurrent neural networks. IEEE Geosci. Remote Sens. Lett. 2017, 14, 1685–1689. [CrossRef]
43. Sharma, A.; Liu, X.; Yang, X. Land cover classification from multi-temporal, multi-spectral remotely sensed
imagery using patch-based recurrent neural networks. Neural Netw. 2018, 105, 346–355. [CrossRef]
44. Mou, L.; Ghamisi, P.; Zhu, X.X. Deep recurrent neural networks for hyperspectral image classification.
IEEE Trans. Geosci. Remote Sens. 2017, 55, 3639–3655. [CrossRef]
45. Wu, H.; Prasad, S. Convolutional recurrent neural networks for hyperspectral data classification. Remote Sens.
2017, 9, 298. [CrossRef]
46. Shi, C.; Pun, C.M. Multi-scale hierarchical recurrent neural networks for hyperspectral image classification.
Neurocomputing 2018, 294, 82–93. [CrossRef]
47. Romera-Paredes, B.; Torr, P.H.S. Recurrent instance segmentation. In Proceedings of the
European Conference on Computer Vision, Amsterdam, The Netherlands, 8–16 October 2016; Springer:
Berlin/Heidelberg, Germany, 2016; pp. 312–329.

转载于:https://www.cnblogs.com/tccbj/p/10839688.html