基于混合卷积网络的高分辨率高光谱图像分类研究

传统卷积神经网络模型未能充分利用高分辨率高光谱图像中丰富的空间-光谱信息,存在计算成本大、小样本数据分类精度低的问题。提出一种轻量化多尺度金字塔混合池化混合卷积模型。以混合卷积网络为基础,所提模型采用改进的金字塔池化模块增强对空间-光谱特征的提取能力,使用较少的卷积层和深度可分离卷积,并用全局平均池化层代替部分全连接层以实现卷积层到全连接层的过渡,显著降低了参数量。采用三个高分辨率高光谱数据集对所提方法进行测试,同时与经典高光谱图像分类方法进行对比实验,结果表明所提方法在分辨率高、地物种类多、边界复杂的情况下仍然能取得最佳的分类结果。在WHU-Hi-LongKou、WHU-Hi-HanChuan、WHU-Hi-HongHu数据集上仅使用1%、2%、2%训练样本的情况下,所提方法的总体精度分别达99.12%、98.43%、98.84%,优于传统卷积网络,证明了所提模型计算成本小,在小样本问题上准确率高,能很好地适用于高分辨率高光谱数据集。