概括
一个新的三分支空间光谱融合网络 (TBSSF-Net) 有效地使用更小的补丁对高光谱图像 (HSI) 进行分类. 这种方法克服了培训和测试数据独立性的问题,提高了HSI分类的准确性.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 数据科学数据科学数据科学
背景情况:
- 超光谱图像 (HSI) 提供丰富的空间和光谱信息,使它们对各种应用具有价值.
- HSI分类是一个关键的研究领域,通常依赖于空间-光谱特征融合.
- 使用大型社区窗口的传统方法可能会导致训练和测试数据集独立性问题.
研究的目的:
- 提出一个新的网络,三分支空间光谱融合网络 (TBSSF-Net),用于HSI分类.
- 通过使用更小的补丁大小来解决HSI分类中数据独立性的挑战.
- 通过有效地融合空间和光谱信息来提高分类性能.
主要方法:
- 开发了一个三分支网络架构:空间关键细节聚合,空间语义知识精细化和光谱带信号细分度.
- 采用较小的补丁大小,以保持培训和测试数据集之间的独立性.
- 在统一的框架内进行综合空间和光谱特征提取.
主要成果:
- 在四个公共HSI数据集上,TBSSF-Net表现出卓越和有效的性能.
- 即使训练数据有限,也取得了显著的分类表现.
- 该网络成功地保留了空间细节,并捕获了全球语义上下文,同时完善了光谱信息.
结论:
- 拟议的TBSSF-Net为高光谱图像分类提供了一个有效的解决方案.
- 使用较小补丁尺寸的空间光谱融合方法提高了分类的准确性和稳定性.
- TBSSF-Net显示出对不同训练集大小的多样化HSI分类任务的承诺.
