基于三维旋转卷积核的高光谱图像分类研究

针对在空谱信息特征提取过程中,由于降维造成部分高光谱信息丢失从而影响分类精度的问题,提出一种新型的三维旋转卷积核,并设计了无监督的旋转卷积受限波尔兹曼机。其从三维模型的原始表征中学习三维模型的高层局部特征,在原始数据上直接进行三维特征提取,获取表达力更强的局部表征,从而提高分类精度。将本文所提模型在Indian Pines和Pavia University公开数据集上进行验证,并同其他经典的分类方法进行实验对比。实验结果表明:该方法不仅能大幅度节省可学习的参数,降低模型的复杂度,而且表现出较好的分类性能。