3DCAE-hyperspectral-classification:基于三维卷积自动编码器的高光谱分类无监督空间光谱特征学习-源码

上传者: 42103128 | 上传时间: 2021-10-18 16:31:36 | 文件大小: 6.09MB | 文件类型: -
基于三维卷积自动编码器的高光谱分类无监督空间光谱特征学习 通过,,,张治,,。 拟议框架 介绍 与传统的手工特征提取算法相比,使用深度神经网络(DNN)的特征学习技术表现出卓越的性能。 但是,DNN通常需要大量的训练样本来学习有效的特征,而在高光谱图像中很难获得有效的特征。 因此,在本文中,提出了一种使用三维卷积自动编码器(3D-CAE)的无监督空间光谱特征学习策略。 提出的3D-CAE仅包含3D或元素操作,例如3D卷积,3D池化和3D批处理归一化,以最大程度地探索空间光谱结构信息以进行特征提取。 还设计了一个配套的3D卷积解码器网络来重建输入模式,通过该模式,可以训练网络中涉及的所有参数而无需标记训练样本。 在多个基准高光谱数据集上的实验结果表明,我们提出的3D-CAE在提取空间光谱特征方面非常有效,不仅在传统的非监督特征提取算法方面表现出色,而且在分类应用中也优于许多监督特征提取算

文件下载

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明