武汉大学主页平台管理系统邵远征--中文主页-- 基于3D-CAE的高光谱解混及小样本分类方法

研究方向

DOI码：10.6046/zrzyyg.2023260
所属单位：地球空间信息技术协同创新中心
发表刊物：自然资源遥感
关键字：深度学习,高光谱影像,分类,卷积神经网络,解混
摘要：我国高光谱遥感技术的快速发展为开展大区域地物分类应用提供了充分保障.然而,如何在小样本下充分利用高光谱自身的空谱信息实现高精度的分类成为挑战.该文通过构建3D卷积自编码网络,以混合像元分解物理约束对模型进行引导,从而实现在准确估计端元丰度的同时获得对规则化的高光谱空谱特征的有效表达,结合支持向量机分类器实现在小样本条件下的高光谱分类.实验中,采用包括监督分类方法在内的多种传统高光谱图谱特征提取及分类方法进行对比验证,并对比了不同模型在不同采样率下的分类性能表现.实验结果表明,所提出的高光谱分类方法具有明显的精度优势,其中平均交并比(mean intersection over union,mIoU)达到0.829,相对于传统分类方法精度有明显提升。
论文类型：期刊论文
文献类型：J
卷号：37
期号：1
页面范围：8-14
是否译文：否
发表时间：2025-02-01