一个混合卷积神经网络用于使用高光谱图像对树种进行分类
1School of Management, Harbin University of Commerce, Harbin, 150028, China.
PloS one
|May 31, 2024
概括
一种新的混合-CS方法结合了深度和传统的学习,以使用超光谱数据准确识别树种. 这种方法显著提高了分类准确性,提供了强大的森林监测能力.
科学领域:
- 遥感 遥感 遥感 遥感
- 生态生态学 生态生态学
- 计算机科学 计算机科学
背景情况:
- 超光谱遥感推进了树木物种的绘制.
- 识别重要的超谱数据特征用于树识别仍然具有挑战性.
研究的目的:
- 开发和评估用于树种识别的混合方法 (Hybrid-CS).
- 为了加强特征选择和分类,将深度学习和传统学习相结合.
- 评估高光谱图像衍生特征的稳定性和准确性.
主要方法:
- 从超频谱数据中提取相关结构和光谱特征.
- 使用基于关联的方法和递归特征消除的混合特征选择.
- 使用支持向量机器 (SVM) 和具有注意力机制的卷积神经网络 (CNN) 进行分类.
- 对比单分支网络的双分支网络架构的评估.
主要成果:
- 混合CS方法比传统和深度学习方法取得了更高的分类准确性.
- 结合SVM和CNN信息,特别是注意力机制,提高了准确性.
- 双分支网络架构的性能优于单分支网络.
- 在不同训练样本比例中始终保持高精度,证明了稳定性.
结论:
- 超光谱图像和混合CS方法允许精确的树种分类.
- 拟议的方法对森林资源管理和监测应用具有重大前景.
- 特性选择和混合学习架构对于最大限度地提高高光谱数据实用性至关重要.
